| 第一章 绪论 | 第1-19页 |
| 1．1 研究背景与意义 | 第12-13页 |
| 1．2 小波神经网络在控制中的应用与展望 | 第13-16页 |
| 1．2．1 小波神经网络在控制中的应用 | 第14-15页 |
| 1．2．2 小波神经网络的研究前景与展望 | 第15-16页 |
| 1．3 本论文主要研究内容及创新点 | 第16-17页 |
| 1．3．1 本论文的主要研究内容 | 第16-17页 |
| 1．3．2 本论文的主要创新点 | 第17页 |
| 1．4 本文的结构安排 | 第17-19页 |
| 第二章 神经网络理论的研究 | 第19-30页 |
| 2．1 神经网络理论的发展史 | 第19-22页 |
| 2．2 神经网络的基本特征与功能 | 第22-25页 |
| 2．2．1 基本特征 | 第23-24页 |
| 2．2．2 基本功能 | 第24-25页 |
| 2．3 多层前向 BP网络的研究 | 第25-30页 |
| 2．3．1 BP网络的拓扑结构及其学习过程 | 第25-26页 |
| 2．3．2 BP算法的优点及存在的问题 | 第26-27页 |
| 2．3．3 BP算法的改进 | 第27-30页 |
| 第三章 小波分析理论的研究 | 第30-39页 |
| 3．1 小波分析理论发展概述 | 第30-31页 |
| 3．2 小波分析理论的基本概念 | 第31-36页 |
| 3．3 小波分析的特点 | 第36-37页 |
| 3．4 小波分析理论的应用和发展前景 | 第37-39页 |
| 第四章 小波神经网络的研究 | 第39-67页 |
| 4．1 小波神经网络 | 第39-45页 |
| 4．1．1 小波神经网络理论的发展 | 第39-41页 |
| 4．1．2 小波神经网络构造的理论基础 | 第41-42页 |
| 4．1．3 小波神经网络的结构形式 | 第42-45页 |
| 4．2 小波神经网络的特点 | 第45-47页 |
| 4．2．1 小波神经网络优点 | 第45-46页 |
| 4．2．2 小波神经网络存在的问题 | 第46-47页 |
| 4．3 小波神经网络的自调整算法 | 第47-64页 |
| 4．3．1 网络参数初始值的选取 | 第47-50页 |
| 4．3．2 隐含层节点数的确定 | 第50-54页 |
| 4．3．3 学习速度的调整 | 第54-55页 |
| 4．3．4 基于 BP算法的小波神经网络自调整算法 | 第55-58页 |
| 4．3．5 程序流程图 | 第58页 |
| 4．3．6 仿真实例 | 第58-64页 |
| 4．4 小波神经网络在实时控制中的应用 | 第64-67页 |
| 第五章 小波神经网络在加热炉钢坯温度预报中的应用 | 第67-89页 |
| 5．1 带钢热连轧加热炉生产简介 | 第67-71页 |
| 5．1．1 炉区任务及生产工艺过程 | 第68-70页 |
| 5．1．2 加热工艺要求 | 第70页 |
| 5．1．3 加热炉的控制要求 | 第70-71页 |
| 5．2 加热炉炉区控制 | 第71-74页 |
| 5．2．1 炉区过程控制 | 第71-72页 |
| 5．2．2 加热炉控制 | 第72-74页 |
| 5．3 钢坯加热过程在线数学模型 | 第74-76页 |
| 5．3．1 传统的建模方法 | 第74-75页 |
| 5．3．2 智能建模方法 | 第75-76页 |
| 5．4 小波神经网络在加热炉钢坯温度预报中的应用 | 第76-89页 |
| 5．4．1 加热炉对钢坯的传热模型 | 第77-79页 |
| 5．4．2 小波神经网络在加热炉钢坯温度预报中的应用 | 第79-89页 |
| 结束语 | 第89-93页 |
| 参考文献 | 第93-100页 |
| 致谢 | 第100-101页 |
| 攻读硕士研究生学位期间发表的论文 | 第101页 |