精轧温度过程控制模型研究
| 第一章 绪论 | 第1-14页 |
| ·人工智能技术在轧制领域的应用 | 第7-9页 |
| ·人工智能进入轧制领域的背景 | 第7-8页 |
| ·国内外发展状况 | 第8-9页 |
| ·终轧温度预报现状 | 第9-12页 |
| ·2050轧线简介 | 第9-10页 |
| ·终轧温度预报现状 | 第10-12页 |
| ·本文研究的内容及意义 | 第12-14页 |
| ·课题背景 | 第12页 |
| ·研究内容 | 第12-13页 |
| ·研究意义 | 第13-14页 |
| 第二章 精轧温度模型 | 第14-37页 |
| ·数学模型 | 第14-18页 |
| ·数学模型的描述 | 第14-15页 |
| ·建模方法 | 第15-17页 |
| ·参数回归 | 第17-18页 |
| ·2050温度模型的建立 | 第18-30页 |
| ·传热学的基本公式 | 第18-21页 |
| ·2050精轧设备分布 | 第21-23页 |
| ·数学模型的建立 | 第23-30页 |
| ·温度预报的实现 | 第30-36页 |
| ·温度预报程序实现 | 第30-33页 |
| ·仿真结果 | 第33-36页 |
| ·小结 | 第36-37页 |
| 第三章 综合模型预测带钢温度 | 第37-54页 |
| ·人工神经元网络 | 第37-41页 |
| ·多层前馈神经网络 | 第38-40页 |
| ·BP算法的缺陷及其改进 | 第40-41页 |
| ·粒子群算法 | 第41-47页 |
| ·粒子群算法基本原理 | 第41-44页 |
| ·粒子群算法的寻优能力 | 第44-47页 |
| ·粒子群神经网络的应用 | 第47-51页 |
| ·粒子群算法对神经网络的改进 | 第47-48页 |
| ·粒子群算法在模糊神经网络中的应用 | 第48-51页 |
| ·建立综合模型 | 第51-53页 |
| ·小结 | 第53-54页 |
| 第四章 综合温度模型的应用 | 第54-61页 |
| ·综合温度模型的参数设置 | 第54-56页 |
| ·神经网络参数 | 第54-56页 |
| ·粒子群算法参数 | 第56页 |
| ·综合模型的结果 | 第56-60页 |
| ·小结 | 第60-61页 |
| 第五章 结论与展望 | 第61-63页 |
| ·结论 | 第61页 |
| ·展望 | 第61-63页 |
| 参考文献 | 第63-66页 |
| 作者在攻读硕士期间发表论文及科研项目 | 第66-67页 |
| 致谢 | 第67页 |
