| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-21页 |
| 1.1 课题的研究背景 | 第11-12页 |
| 1.2 热轧带钢冷却技术的发展 | 第12-15页 |
| 1.3 层流冷却控制技术的发展状况及控制难点 | 第15-18页 |
| 1.3.1 热轧带钢层流冷却控制技术的发展 | 第15-16页 |
| 1.3.2 层流冷却控制技术的难点 | 第16-18页 |
| 1.4 本文主要研究内容 | 第18-21页 |
| 第2章 层流冷却系统工艺及数学模型建立 | 第21-33页 |
| 2.1 层流冷却系统工艺 | 第21-22页 |
| 2.2 钢温计算模型 | 第22-27页 |
| 2.2.1 热传导 | 第23-25页 |
| 2.2.2 对流换热 | 第25-26页 |
| 2.2.3 辐射换热 | 第26-27页 |
| 2.3 层流冷却过程控制的数学模型 | 第27-32页 |
| 2.3.1 理论温度模型 | 第27-29页 |
| 2.3.2 实际应用模型 | 第29-31页 |
| 2.3.3 传统数学模型的缺点 | 第31-32页 |
| 2.4 本章小结 | 第32-33页 |
| 第3章 基于粗糙集的带钢卷取数据约简 | 第33-51页 |
| 3.1 粗糙集理论 | 第33-41页 |
| 3.1.1 粗糙集方法的原理 | 第33-34页 |
| 3.1.2 粗糙集方法的特点 | 第34页 |
| 3.1.3 粗糙集的信息系统 | 第34-37页 |
| 3.1.4 不可分辨关系 | 第37页 |
| 3.1.5 粗糙近似 | 第37-38页 |
| 3.1.6 属性约简 | 第38-41页 |
| 3.1.7 粗糙集方法约简流程 | 第41页 |
| 3.2 带钢温度卷取数据预处理 | 第41-44页 |
| 3.2.1 数据的清洗和标准化 | 第41-43页 |
| 3.2.2 数据的离散化 | 第43-44页 |
| 3.3 基于粗糙集方法的带钢卷取温度预测约简过程 | 第44-49页 |
| 3.3.1 带钢卷取温度预测约简过程的条件属性和决策属性 | 第44-45页 |
| 3.3.2 带钢卷取温度预测信息约简过程的决策表 | 第45-47页 |
| 3.3.3 决策信息表的属性约简 | 第47-49页 |
| 3.4 本章小结 | 第49-51页 |
| 第4章 基于小波神经网络的带钢卷取温度预测方法研究 | 第51-69页 |
| 4.1 小波神经网络 | 第51-55页 |
| 4.1.1 小波神经网络的研究现状 | 第51-52页 |
| 4.1.2 小波神经网络的优点及其存在的问题 | 第52-53页 |
| 4.1.3 小波神经网络的结构分类 | 第53-55页 |
| 4.1.4 小波神经网络构造的理论基础 | 第55页 |
| 4.2 小波神经网络算法及公式推导 | 第55-60页 |
| 4.2.1 BP神经网络结构 | 第55-58页 |
| 4.2.2 BP算法改进 | 第58-60页 |
| 4.3 卷取温度预测小波神经网络的参数确定 | 第60-67页 |
| 4.3.1 小波函数的选取 | 第60-63页 |
| 4.3.2 算法确定及参数初始化 | 第63页 |
| 4.3.3 输入数据的预处理 | 第63-64页 |
| 4.3.4 隐含层节点数的确定 | 第64-65页 |
| 4.3.5 小波神经网络建模步骤 | 第65-67页 |
| 4.4 本章小结 | 第67-69页 |
| 第5章 基于小波神经网络的卷取温度仿真分析 | 第69-75页 |
| 5.1 数据获取 | 第69页 |
| 5.2 基于小波神经网络的带钢卷取温度预测 | 第69-71页 |
| 5.3 小波神经网络与BP神经网络对比 | 第71-74页 |
| 5.4 本章小结 | 第74-75页 |
| 第6章 结论与展望 | 第75-77页 |
| 参考文献 | 第77-83页 |
| 致谢 | 第83页 |