平整机轧制力的神经网络预报模型研究
| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第12-20页 |
| 1.1 研究的目的与意义 | 第12页 |
| 1.2 轧制理论的研究现状 | 第12-17页 |
| 1.2.1 工程法 | 第12-14页 |
| 1.2.2 能量法 | 第14页 |
| 1.2.3 有限元法 | 第14-16页 |
| 1.2.4 人工神经网络法 | 第16-17页 |
| 1.3 神经网络的研究现状 | 第17-19页 |
| 1.3.1 第一次兴起及低谷 | 第17-18页 |
| 1.3.2 第二次兴起及平稳发展 | 第18页 |
| 1.3.3 第三次兴起及蓬勃发展 | 第18-19页 |
| 1.4 本文的主要研究内容 | 第19-20页 |
| 第2章 平整机轧制的理论基础 | 第20-30页 |
| 2.1 平整工艺 | 第20-22页 |
| 2.2 轧制模型的理论基础 | 第22-25页 |
| 2.2.1 基本参数 | 第22-23页 |
| 2.2.2 变形系数 | 第23页 |
| 2.2.3 前滑和后滑 | 第23-25页 |
| 2.3 轧制力的工程计算 | 第25-28页 |
| 2.3.1 轧制力模型的作用 | 第25页 |
| 2.3.2 影响轧制力的因素 | 第25-27页 |
| 2.3.3 轧制力模型确定方法 | 第27-28页 |
| 2.3.4 轧制力模型精度的影响因素 | 第28页 |
| 2.4 传统轧制理论与现代轧制技术 | 第28-29页 |
| 2.5 本章小结 | 第29-30页 |
| 第3章 神经网络模型的基本架构 | 第30-40页 |
| 3.1 生物原型 | 第30-31页 |
| 3.1.1 神经元的组成 | 第30页 |
| 3.1.2 神经元的简化 | 第30-31页 |
| 3.2 神经网络模型 | 第31-34页 |
| 3.2.1 神经网络模型的结构 | 第31-33页 |
| 3.2.2 神经元之间的连接要素 | 第33-34页 |
| 3.3 神经网络的基础算法 | 第34-38页 |
| 3.3.1 梯度下降 | 第34-37页 |
| 3.3.2 反向传播 | 第37-38页 |
| 3.3.3 训练流程 | 第38页 |
| 3.4 神经网络的特点 | 第38-39页 |
| 3.5 本章小结 | 第39-40页 |
| 第4章 平整机轧制力的神经网络预报模型设计 | 第40-58页 |
| 4.1 基本实验步骤 | 第40页 |
| 4.2 主成分分析 | 第40-45页 |
| 4.2.1 分析方法 | 第41-45页 |
| 4.2.2 平整轧制参数的主成分分析 | 第45页 |
| 4.3 激活函数 | 第45-49页 |
| 4.3.1 Sigmoid系激活函数 | 第45-48页 |
| 4.3.2 ReLU激活函数 | 第48-49页 |
| 4.4 传播算法 | 第49-52页 |
| 4.4.1 SGD算法 | 第49-50页 |
| 4.4.2 Momentum SGD算法 | 第50-51页 |
| 4.4.3 Adagrad算法 | 第51-52页 |
| 4.4.4 RMSprop算法 | 第52页 |
| 4.5 过拟合与正则化 | 第52-55页 |
| 4.5.1 过拟合 | 第52-53页 |
| 4.5.2 L2正则化 | 第53-54页 |
| 4.5.3 Dropout | 第54-55页 |
| 4.6 程序语言的选择 | 第55-57页 |
| 4.6.1 程序语言对比 | 第55-56页 |
| 4.6.2 选择Python的原因 | 第56-57页 |
| 4.7 本章小结 | 第57-58页 |
| 第5章 平整机轧制力的预报实验 | 第58-65页 |
| 5.1 实验过程 | 第58-60页 |
| 5.1.1 网络结构 | 第58-59页 |
| 5.1.2 隐层参数 | 第59-60页 |
| 5.2 实验结果分析 | 第60-64页 |
| 5.3 本章小结 | 第64-65页 |
| 总结与展望 | 第65-67页 |
| 1、总结 | 第65页 |
| 2、创新点 | 第65页 |
| 3、研究展望 | 第65-67页 |
| 致谢 | 第67-68页 |
| 参考文献 | 第68-74页 |
| 作者简介 | 第74-75页 |
| 攻读硕士学位期间发表的论文 | 第75-76页 |
