摘要 | 第1-5页 |
Abstract | 第5-12页 |
第1章 绪论 | 第12-19页 |
·研究的目的和意义 | 第12-13页 |
·人工神经网络的发展 | 第13-15页 |
·神经网络进入轧制领域的可行性分析 | 第15-16页 |
·研究内容、研究方法和预期目标 | 第16-18页 |
·课题来源及论文结构 | 第18-19页 |
第2章 RBF 神经网络基础 | 第19-29页 |
·神经网络理论基础 | 第19-20页 |
·BP 神经网络基础 | 第20-21页 |
·RBF 神经网络的基础 | 第21-23页 |
·RBF 神经网络的学习 | 第23-27页 |
·随机选取RBF 神经网络数据中心 | 第23-24页 |
·正交最小二乘法 | 第24-25页 |
·自组织学习选取RBF 神经网络的中心 | 第25页 |
·梯度下降法 | 第25-27页 |
·RBF 神经网络与 BP 神经网络的比较 | 第27页 |
·RBF 神经网络的优点和存在的问题 | 第27-28页 |
·本章小结 | 第28-29页 |
第3章 RBF 神经网络中心选取算法的改进设计 | 第29-64页 |
·现有 RBF 神经网络数据中心选取方法的分析 | 第29-30页 |
·动态k —均值聚类算法 | 第30-35页 |
·动态k —均值聚类算法的步骤 | 第30-32页 |
·动态k —均值聚类算法的流程图 | 第32页 |
·动态k —均值聚类算法的仿真 | 第32-35页 |
·总结 | 第35页 |
·动态RBF 神经网络系统 | 第35-43页 |
·隐含层节点数的动态设计 | 第36-37页 |
·数据中心的优化 | 第37-38页 |
·输出权值的优化 | 第38-39页 |
·RBF 神经网络动态设计步骤 | 第39-40页 |
·仿真结果 | 第40-42页 |
·结论 | 第42-43页 |
·基于 Hough 变换求取 RBF 神经网络数据中心 | 第43-51页 |
·Hough 变换原理 | 第43-45页 |
·基于Hough 变换的RBF 神经网络中心选取算法 | 第45页 |
·数据中心选取方法仿真研究及分析 | 第45-47页 |
·数据中心选取算法的改进 | 第47-48页 |
·改进算法的仿真研究 | 第48-50页 |
·基于 Hough 变换求取 RBF 神经网络数据中心算法的总结 | 第50-51页 |
·基于调整聚类半径的最近邻聚类算法 | 第51-58页 |
·算法的步骤 | 第52-54页 |
·算法的流程图 | 第54页 |
·算法仿真结果及分析 | 第54-57页 |
·基于调整聚类半径的最近邻聚类算法的总结 | 第57-58页 |
·动态衰减调节径向基函数的改进 | 第58-62页 |
·算法步骤 | 第58-59页 |
·仿真结果和分析 | 第59-61页 |
·算法流程图 | 第61页 |
·动态衰减调节径向基函数改进算法的总结 | 第61-62页 |
·本章小结 | 第62-64页 |
第4章 板形板厚综合控制系统设计及板形模式识别 | 第64-79页 |
·板形板厚综合控制系统数学模型 | 第64-73页 |
·板形板厚综合控制方程 | 第64-66页 |
·板形板厚综合控制的原则 | 第66页 |
·板形板厚综合控制方法的探讨 | 第66-70页 |
·板形板厚综合控制系统的数学模型 | 第70-73页 |
·板形模式识别系统数学模型 | 第73-77页 |
·基于离散Hopfield神经网络识别的板形模式 | 第73-76页 |
·基于 RBF 神经网络识别的板形模式 | 第76-77页 |
·本章小结 | 第77-79页 |
第5章 板形板厚综合控制系统仿真研究和板形模式识别实现 | 第79-92页 |
·板形板厚综合控制系统仿真研究 | 第79-82页 |
·基于离散 Hopfield 神经网络的板形模式识别实现 | 第82-89页 |
·离散Hopfield 神经网络的基本概念 | 第83-84页 |
·离散Hopfield 神经网络的设计 | 第84-85页 |
·离散Hopfield 神经网络的稳定性分析 | 第85-87页 |
·离散Hopfield 神经网络的训练和仿真 | 第87-89页 |
·基于RBF 神经网络的板形模式识别实现 | 第89-91页 |
·本章小结 | 第91-92页 |
结论 | 第92-94页 |
参考文献 | 第94-99页 |
攻读硕士学位期间承担的科研任务与主要成果 | 第99-100页 |
致谢 | 第100-101页 |
作者简介 | 第101页 |