| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 课题研究背景及意义 | 第10-11页 |
| 1.2 带钢连续镀锌生产线简介 | 第11-14页 |
| 1.3 连续退火工艺简介 | 第14-15页 |
| 1.3.1 退火工艺的发展过程 | 第14页 |
| 1.3.2 全辐射美钢联法退火工艺 | 第14-15页 |
| 1.4 本文主要研究内容 | 第15-18页 |
| 第2章 基于多元线性回归的带钢延伸率预测模型 | 第18-30页 |
| 2.1 多元线性回归的基本原理 | 第18-22页 |
| 2.1.1 多元线性回归模型的一般形式 | 第18-19页 |
| 2.1.2 回归参数的最小二乘估计 | 第19-20页 |
| 2.1.3 多元线性回归模型的检验 | 第20-21页 |
| 2.1.4 残差分析 | 第21-22页 |
| 2.2 数据采集与分析 | 第22-25页 |
| 2.3 多元线性回归模型的建立与仿真 | 第25-28页 |
| 2.4 本章小结 | 第28-30页 |
| 第3章 基于偏最小二乘法的带钢延伸率预测模型 | 第30-42页 |
| 3.1 偏最小二乘回归概述 | 第30-31页 |
| 3.2 偏最小二乘回归的基本原理 | 第31-34页 |
| 3.2.1 偏最小二乘基本思想 | 第31页 |
| 3.2.2 偏最小二乘回归步骤 | 第31-34页 |
| 3.3 交叉有效性验证 | 第34-35页 |
| 3.4 基于偏最小二乘回归模型的建立与仿真 | 第35-41页 |
| 3.5 本章小结 | 第41-42页 |
| 第4章 基于GA-RBF神经网络的带钢延伸率预测模型 | 第42-64页 |
| 4.1 RBF神经网络及算法 | 第42-46页 |
| 4.1.1 RBF神经网络概述 | 第42-43页 |
| 4.1.2 正则化RBF神经网络结构 | 第43-45页 |
| 4.1.3 RBF神经网络学习算法 | 第45-46页 |
| 4.2 遗传算法基本理论 | 第46-53页 |
| 4.2.1 遗传算法概述 | 第46-47页 |
| 4.2.2 基本遗传算法的形式 | 第47-49页 |
| 4.2.3 遗传算法的实现步骤 | 第49-53页 |
| 4.3 基于RBF神经网络模型的建立与仿真 | 第53-58页 |
| 4.4 基于GA-RBF神经网络模型的建立与仿真 | 第58-62页 |
| 4.5 本章小结 | 第62-64页 |
| 第5章 基于组合预测方法的带钢延伸率预测模型 | 第64-76页 |
| 5.1 组合预测方法概述 | 第64-65页 |
| 5.2 非最优的组合预测模型 | 第65-67页 |
| 5.3 最优的组合预测模型 | 第67-70页 |
| 5.3.1 误差平方和达到最小的组合模型 | 第67-69页 |
| 5.3.2 误差绝对值和达到最小的组合模型 | 第69-70页 |
| 5.4 组合预测效果评价体系 | 第70-71页 |
| 5.5 组合预测模型的建立与仿真 | 第71-75页 |
| 5.6 本章小结 | 第75-76页 |
| 第6章 总结与展望 | 第76-78页 |
| 6.1 总结 | 第76页 |
| 6.2 展望 | 第76-78页 |
| 参考文献 | 第78-82页 |
| 致谢 | 第82页 |