带钢卷取温度精度预报的方法研究
| 摘要 | 第1-4页 |
| ABSTRACT | 第4-6页 |
| 目录 | 第6-9页 |
| 第一章 绪论 | 第9-17页 |
| ·课题的研究背景 | 第9-10页 |
| ·热轧带钢冷却技术的发展 | 第10-14页 |
| ·热轧带钢冷却工艺技术的发展 | 第11-12页 |
| ·热轧带钢冷却控制技术的发展 | 第12-14页 |
| ·热轧带钢层流冷却控制技术的难点 | 第14-16页 |
| ·本文的主要内容及安排 | 第16-17页 |
| 第二章 层流冷却系统及数学模型 | 第17-30页 |
| ·层流冷却系统工艺流程 | 第17-19页 |
| ·层流冷却系统设备布置 | 第17-18页 |
| ·卷取温度预设定 | 第18-19页 |
| ·数学模型的理论基础 | 第19-24页 |
| ·热传导 | 第19-21页 |
| ·辐射换热 | 第21-23页 |
| ·对流换热 | 第23-24页 |
| ·层流冷却过程控制的数学模型 | 第24-28页 |
| ·基本的温度模型 | 第24-26页 |
| ·实际应用的模型 | 第26-28页 |
| ·传统模型存在的问题 | 第28页 |
| ·本章小结 | 第28-30页 |
| 第三章 基于遗传神经网络的温度预测模型 | 第30-55页 |
| ·人工神经网络简介 | 第30-36页 |
| ·人工神经网络的基本思想及其发展 | 第30-33页 |
| ·人工神经网络的工作原理 | 第33-34页 |
| ·人工神经网络的基本特点 | 第34-35页 |
| ·神经网络的结构及工作方式 | 第35-36页 |
| ·BP神经网络 | 第36-42页 |
| ·BP神经网络简介 | 第36-37页 |
| ·BP算法基本原理 | 第37-39页 |
| ·BP算法存在的问题及改进方法 | 第39-42页 |
| ·遗传算法 | 第42-47页 |
| ·遗传算法简介 | 第42页 |
| ·遗传算法的理论基础 | 第42-43页 |
| ·遗传算法的特点 | 第43-44页 |
| ·遗传算法的构成要素 | 第44-46页 |
| ·标准遗传算法存在的问题及其改进 | 第46-47页 |
| ·基于改进遗传算法的神经网络优化 | 第47-52页 |
| ·神经网络参数优化 | 第47-48页 |
| ·GA-BP神经网络的基本思想 | 第48-49页 |
| ·改进遗传算法的描述 | 第49-52页 |
| ·遗传神经网络温度预测模型 | 第52-53页 |
| ·小结 | 第53-55页 |
| 第四章 遗传神经网络温度预测模型的应用 | 第55-80页 |
| ·数据挖掘技术 | 第55-61页 |
| ·数据挖掘概述 | 第56页 |
| ·数据挖掘的功能 | 第56-58页 |
| ·数据挖掘的过程 | 第58-60页 |
| ·数据挖掘的应用领域 | 第60-61页 |
| ·关联规则数据挖掘 | 第61-68页 |
| ·关联规则的基本概念 | 第62-63页 |
| ·关联规则的分类 | 第63-64页 |
| ·关联规则的挖掘步骤 | 第64页 |
| ·关联规则挖掘算法 | 第64-68页 |
| ·综合温度预测模型的参数设置 | 第68-73页 |
| ·神经网络参数设置 | 第68-72页 |
| ·遗传算法参数设置 | 第72-73页 |
| ·温度预测模型的仿真分析 | 第73-79页 |
| ·GA-BP算法的实现步骤 | 第73-74页 |
| ·仿真结果 | 第74-78页 |
| ·仿真结果分析 | 第78-79页 |
| ·本章小结 | 第79-80页 |
| 第五章 总结与展望 | 第80-81页 |
| 参考文献 | 第81-86页 |
| 致谢 | 第86-87页 |
| 攻读硕士学位期间的主要成果 | 第87页 |
