| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第10-18页 |
| 1.1 课题背景 | 第10-12页 |
| 1.2 国内外相关研究概况及发展趋势 | 第12-16页 |
| 1.2.1 基于热电偶测温的预报方法 | 第12-14页 |
| 1.2.2 基于坯壳与结晶器铜板之间摩擦力监测的预报方法 | 第14-15页 |
| 1.2.3 基于结晶器热流分析的方法 | 第15-16页 |
| 1.2.4 基于振动波形分析的方法 | 第16页 |
| 1.2.5 基于超声波探测的方法 | 第16页 |
| 1.3 本课题研究的问题 | 第16-18页 |
| 2 粘结漏钢的形成机理及漏钢预报模型的建立 | 第18-27页 |
| 2.1 粘结漏钢的形成机理 | 第18-22页 |
| 2.1.1 粘结漏钢形成过程 | 第18-19页 |
| 2.1.2 粘结断裂口传播情况的分析 | 第19-22页 |
| 2.2 神经网络粘结漏钢预报模型的建立 | 第22-27页 |
| 2.2.1 时序网络模型结构 | 第23-24页 |
| 2.2.2 空间网络模型结构 | 第24-27页 |
| 3 BP神经网络及遗传算法 | 第27-36页 |
| 3.1 BP神经网络 | 第27-30页 |
| 3.2 遗传算法 | 第30-34页 |
| 3.2.1 遗传算法及遗传算法的原理 | 第30-31页 |
| 3.2.2 遗传算法设计 | 第31-34页 |
| 3.3 基于遗传算法的BP神经网络 | 第34-36页 |
| 4 GA-BP神经网络在漏钢预报模型中的应用 | 第36-56页 |
| 4.1 GA-BP神经网络的模型确定 | 第36-38页 |
| 4.1.1 建立BP神经网络 | 第36页 |
| 4.1.2 种群初始化 | 第36页 |
| 4.1.3 适应度函数 | 第36-37页 |
| 4.1.4 选择操作 | 第37页 |
| 4.1.5 交叉操作 | 第37页 |
| 4.1.6 变异操作 | 第37-38页 |
| 4.2 GA-BP神经网络的参数确定 | 第38-39页 |
| 4.3 GA-BP神经网络模式识别的预报模型设计 | 第39-56页 |
| 4.3.1 单偶时序网络预报模型 | 第39-44页 |
| 4.3.2 组偶空间网络模型部分 | 第44-56页 |
| 结论 | 第56-57页 |
| 参考文献 | 第57-59页 |
| 附录A 单偶时序网络训练数据 | 第59-63页 |
| 附录B 组偶空间网络训练数据 | 第63-66页 |
| 附录C 六电偶组偶空间网络训练及测试数据 | 第66-75页 |
| 致谢 | 第75-76页 |