基于SVM的薄板坯连铸漏钢预报系统研究
| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第1章 绪论 | 第10-17页 |
| ·薄板坯连铸的特点 | 第10-12页 |
| ·漏钢预报系统发展现状 | 第12-13页 |
| ·漏钢预报的研究意义 | 第13页 |
| ·漏钢预报的主要方法 | 第13-15页 |
| ·本文研究的主要内容 | 第15-17页 |
| 第2章 漏钢预报系统的组成 | 第17-25页 |
| ·温度测量系统 | 第17-18页 |
| ·温度采集系统 | 第18-19页 |
| ·模式识别的算法模型 | 第19-24页 |
| ·单个热电偶的温度模式识别 | 第19-20页 |
| ·相邻热电偶的组合判别 | 第20-24页 |
| ·PLC 基础控制程序 | 第24页 |
| ·本章小结 | 第24-25页 |
| 第3章 基于 SVM 的漏钢预报模型 | 第25-55页 |
| ·SVM 算法基本原理 | 第25-30页 |
| ·基于 SVM 的漏钢预报算法模型 | 第30页 |
| ·SVM 模型训练样本数据 | 第30-32页 |
| ·数据预处理 | 第32-34页 |
| ·不良数据的处理 | 第32页 |
| ·数据的 PCA 降维 | 第32-34页 |
| ·SVM 分类器的类型及核函数选择 | 第34-35页 |
| ·SVM 分类模型的参数优化 | 第35-43页 |
| ·GS-SVM 模型 | 第36-37页 |
| ·GA-SVM 模型 | 第37-41页 |
| ·PSO-SVM 模型 | 第41-43页 |
| ·SVM 预报模型的测试 | 第43-44页 |
| ·热电偶的组合判别 | 第44-54页 |
| ·BP 网络原理 | 第44-49页 |
| ·BP 神经网络的使用 | 第49-50页 |
| ·LM-BP 神经网络 | 第50-54页 |
| ·本章小结 | 第54-55页 |
| 第4章 漏钢预报系统可视化 | 第55-61页 |
| ·Visual C++集成开发环境概述 | 第55页 |
| ·薄板坯连铸可视化预报系统的功能 | 第55-56页 |
| ·薄板坯连铸可视化漏钢预报系统的结构 | 第56页 |
| ·薄板坯连铸可视化漏钢预报系统 SVM 模块 | 第56-60页 |
| ·本章小结 | 第60-61页 |
| 结论 | 第61-63页 |
| 参考文献 | 第63-67页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第67-68页 |
| 致谢 | 第68-69页 |
| 作者简介 | 第69页 |
