| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 研究课题背景及意义 | 第10-11页 |
| 1.2 板形控制理论的研究现状 | 第11-15页 |
| 1.2.1 板形模式识别研究现状 | 第11-13页 |
| 1.2.2 板形控制研究现状 | 第13-15页 |
| 1.3 本文主要的研究内容和结构 | 第15-17页 |
| 第2章 T-S 云推理神经网络优化设计 | 第17-27页 |
| 2.1 云理论 | 第17-18页 |
| 2.1.1 云模型 | 第17页 |
| 2.1.2 云的数字特征 | 第17-18页 |
| 2.2 T-S 云推理神经网络设计 | 第18-21页 |
| 2.3 T-S 云推理神经网络的 GA 优化 | 第21-22页 |
| 2.3.1 GA 简介 | 第21-22页 |
| 2.3.2 网络的 GA 优化 | 第22页 |
| 2.4 T-S 云推理神经网络的稳定性分析 | 第22-26页 |
| 2.5 本章小结 | 第26-27页 |
| 第3章 T-S 云推理神经网络板形模式识别设计 | 第27-37页 |
| 3.1 板形识别简介 | 第27页 |
| 3.2 T-S 云推理板形模式识别模型设计 | 第27-31页 |
| 3.2.1 板形缺陷的基模式 | 第27-29页 |
| 3.2.2 T-S 云推理板形模式识别模型结构设计 | 第29-30页 |
| 3.2.3 板形缺陷识别步骤 | 第30-31页 |
| 3.3 板形识别效果的对比仿真验证 | 第31-36页 |
| 3.3.1 仿真验证一 | 第31-34页 |
| 3.3.2 仿真验证二 | 第34-36页 |
| 3.4 本章小结 | 第36-37页 |
| 第4章 冷带轧机板形云推理智能控制系统设计 | 第37-46页 |
| 4.1 人工智能方法在板形控制中的应用 | 第37页 |
| 4.2 T-S 云推理板形智能控制系统设计 | 第37-41页 |
| 4.2.1 T-S 云推理板形预测模型的建立 | 第37-38页 |
| 4.2.2 T-S 云推理板形控制器设计 | 第38-39页 |
| 4.2.3 T-S 云推理板形智能控制系统的实现 | 第39-41页 |
| 4.3 仿真验证 | 第41-45页 |
| 4.3.1 仿真验证一 | 第41-42页 |
| 4.3.2 仿真验证二 | 第42-45页 |
| 4.4 本章小结 | 第45-46页 |
| 第5章 板形云推理控制可视化仿真研究 | 第46-60页 |
| 5.1 LabVIEW 与 MATLAB 混合编程 | 第46-47页 |
| 5.2 冷带轧机的 3D 建模 | 第47页 |
| 5.3 板形智能控制虚拟仿真实验系统设计 | 第47-59页 |
| 5.3.1 登录界面和主界面 | 第48-50页 |
| 5.3.2 板形智能识别界面 | 第50-53页 |
| 5.3.3 板形智能控制界面 | 第53-56页 |
| 5.3.4 冷带轧机 3D 模型 | 第56-59页 |
| 5.4 本章小结 | 第59-60页 |
| 结论 | 第60-61页 |
| 参考文献 | 第61-66页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第66-67页 |
| 致谢 | 第67-68页 |
| 作者简介 | 第68页 |