| 摘要 | 第1-6页 |
| Abstract | 第6-14页 |
| 第1章 绪论 | 第14-28页 |
| ·研究的目的和意义 | 第14-16页 |
| ·轧制过程中智能化方法的综合运用状况 | 第16-17页 |
| ·国外发展概况 | 第16-17页 |
| ·国内发展概况 | 第17页 |
| ·板形模式识别模型的研究进展 | 第17-20页 |
| ·传统板形模式识别模型的研究概况 | 第18页 |
| ·基于人工智能方法的板形模式识别模型的研究进展 | 第18-20页 |
| ·板形智能控制研究现状 | 第20-21页 |
| ·模糊神经智能控制方法的研究概况 | 第21-23页 |
| ·基于聚类的模糊神经控制的研究背景 | 第21-22页 |
| ·聚类与模糊规则学习的研究现状 | 第22-23页 |
| ·平整过程板形控制技术的研究现状 | 第23-26页 |
| ·平整轧制力模型概述 | 第23-25页 |
| ·平整机的延伸率控制研究现状 | 第25-26页 |
| ·课题来源与主要研究内容 | 第26-28页 |
| ·课题来源 | 第26页 |
| ·主要研究内容 | 第26-28页 |
| 第2章 基于SVM的RBF网络板形模式识别模型与预测模型的研究 | 第28-55页 |
| ·概述 | 第28-29页 |
| ·RBF神经网络及其特点 | 第29-30页 |
| ·RBF网络板形模式识别模型 | 第30-36页 |
| ·板形的基本模式及数学表达式 | 第31-32页 |
| ·基于传统输入的板形智能模式识别方法及局限性 | 第32-35页 |
| ·基于模糊距离差的网络输入及输出 | 第35-36页 |
| ·基于SVM的RBF网络结构模型的构造 | 第36-40页 |
| ·SVM与RBF网络结构等价性 | 第37-38页 |
| ·RBF网络的中心及权值的确定 | 第38-39页 |
| ·RBF网络的BP算法优化 | 第39-40页 |
| ·基于SVM-RBF网络模型的板形模式识别算法 | 第40-43页 |
| ·板形模式识别模型的构造算法 | 第40页 |
| ·基于生产数据的板形模式识别模型的构造算法 | 第40-41页 |
| ·基于SVM的RBF网络板形模式识别算法 | 第41-43页 |
| ·1220冷连轧机板形预测模型的建立 | 第43-45页 |
| ·仿真实验 | 第45-53页 |
| ·SVM-RBF板形模式识别效果分析 | 第45-49页 |
| ·不同板形模式识别方法比较 | 第49-50页 |
| ·基于SVM-RBF的板形预测模型仿真效果 | 第50-53页 |
| ·本章小结 | 第53-55页 |
| 第3章 基于动态影响矩阵的冷连轧机板形控制方法 | 第55-92页 |
| ·概述 | 第55-56页 |
| ·板形控制的影响矩阵法 | 第56-60页 |
| ·板形控制智能方法的先进性 | 第56-57页 |
| ·板形控制的静态影响矩阵法及其局限性 | 第57-60页 |
| ·板形控制的动态影响矩阵法 | 第60-69页 |
| ·影响系数的特性分析 | 第60-67页 |
| ·板形控制的动态矩阵法方案设计 | 第67-69页 |
| ·影响系数矩阵模型的设计 | 第69-78页 |
| ·求解动态影响系数矩阵问题的特点 | 第69-71页 |
| ·模糊系统标准模型描述 | 第71-73页 |
| ·板形动态影响矩阵网络模型的构造 | 第73-78页 |
| ·影响系数矩阵模型的优化 | 第78-84页 |
| ·模糊神经网络存在的问题 | 第78-79页 |
| ·基于聚类的模糊神经网络模型 | 第79-81页 |
| ·模糊规则的形式描述 | 第81页 |
| ·样本数据预处理 | 第81-82页 |
| ·模糊规则的自动生成 | 第82-83页 |
| ·模糊规则的在线自学习 | 第83-84页 |
| ·板形控制调节量的确定 | 第84-85页 |
| ·仿真实验 | 第85-90页 |
| ·聚类构造过程仿真 | 第85-88页 |
| ·基于聚类的模糊神经网络仿真实例 | 第88-90页 |
| ·本章小结 | 第90-92页 |
| 第4章 1220冷连轧机板形动态影响矩阵控制方法的工业实验研究 | 第92-105页 |
| ·概述 | 第92页 |
| ·实验条件 | 第92-95页 |
| ·1220冷连轧机在线过程控制系统概况 | 第95-97页 |
| ·计算机控制系统的组成 | 第95-96页 |
| ·板形控制系统的组成 | 第96-97页 |
| ·影响系数矩阵控制方法的仿真结果分析 | 第97-103页 |
| ·影响系数矩阵控制方法的工业实验结果 | 第103页 |
| ·本章小结 | 第103-105页 |
| 第5章 双机架平整机轧制力预报的综合神经网络方法 | 第105-125页 |
| ·概述 | 第105-106页 |
| ·双机架平整机摩擦系数与变形抗力返算模型研究 | 第106-110页 |
| ·摩擦系数与变形抗力返算模型 | 第106-108页 |
| ·摩擦系数与变形抗力返算模型算法 | 第108-110页 |
| ·摩擦系数与变形抗力神经网络预报方法 | 第110-113页 |
| ·消除来料板形缺陷所需的最小延伸率研究 | 第113-115页 |
| ·双机架平整机张力设定与延伸率自动分配模型的研究 | 第115-117页 |
| ·轧制压力模型自学习与自适应 | 第117-122页 |
| ·轧制力模型总体方案设计 | 第117-120页 |
| ·模型系数自适应自学习实现过程 | 第120-122页 |
| ·本章小结 | 第122-125页 |
| 第6章 1220平整机轧制力预报综合神经网络方法的应用研究 | 第125-140页 |
| ·概述 | 第125页 |
| ·实验条件 | 第125-127页 |
| ·总体方案设计 | 第127-131页 |
| ·基本方案概述 | 第127-128页 |
| ·平整机轧制力预报系统功能总体设计 | 第128-131页 |
| ·摩擦系数神经网络模型的实验结果 | 第131-133页 |
| ·返算模型的实验结果 | 第131-132页 |
| ·神经网络模型的应用 | 第132-133页 |
| ·延伸率分配系数计算模型的实验结果 | 第133-134页 |
| ·双机架平整机综合神经网络模型的应用及统计结果 | 第134-135页 |
| ·轧制力模型自学习的统计结果 | 第135-137页 |
| ·本章小结 | 第137-140页 |
| 结论 | 第140-142页 |
| 参考文献 | 第142-153页 |
| 攻读博士学位期间承担的科研任务与主要成果 | 第153-155页 |
| 致谢 | 第155-156页 |
| 作者简介 | 第156页 |
