| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 1 绪论 | 第9-12页 |
| 1.1 课题研究背景 | 第9-10页 |
| 1.1.1 热轧带钢厚度控制情况简介 | 第9页 |
| 1.1.2 人工神经网络研究现状 | 第9-10页 |
| 1.2 课题研究意义及主要内容 | 第10-12页 |
| 1.2.1 课题研究意义 | 第10页 |
| 1.2.2 课题研究主要内容 | 第10-12页 |
| 2 朝阳钢铁热轧带钢厚度控制系统概况 | 第12-29页 |
| 2.1 朝阳钢铁 1700ASP热轧线厚度控制机械设备概况 | 第12-15页 |
| 2.1.1 热轧线设备组成及精轧区域设备概况 | 第12-14页 |
| 2.1.2 热轧线精轧区域功能特点 | 第14-15页 |
| 2.2 朝阳钢铁 1700ASP热轧线精轧设定计算模型 | 第15-19页 |
| 2.2.1 负荷分配计算 | 第16-18页 |
| 2.2.2 压下量分配计算 | 第18-19页 |
| 2.3 液压AGC控制系统概况 | 第19-29页 |
| 2.3.1 PID控制器概述 | 第19-21页 |
| 2.3.2 PID控制器采用的控制规律 | 第21-25页 |
| 2.3.3 PID控制系统 | 第25页 |
| 2.3.4 AGC控制技术 | 第25-29页 |
| 3 人工神经网络基本理论综述 | 第29-42页 |
| 3.1 网络学习算法的基本类型[5] | 第29-30页 |
| 3.1.1 Hebb学习规则 | 第29页 |
| 3.1.2 d 学习规则 | 第29-30页 |
| 3.1.3 相近学习规则 | 第30页 |
| 3.2 多层前馈型神经网络 | 第30-34页 |
| 3.2.1 网络结构及其工作过程 | 第30-32页 |
| 3.2.2 误差函数与误差曲面 | 第32-33页 |
| 3.2.3 网络的学习规则—梯度下降算法 | 第33-34页 |
| 3.3 BP神经网络模型及算法（误差反向传播算法） | 第34-37页 |
| 3.3.1 BP神经网络模型 | 第34页 |
| 3.3.2 BP算法的数学描述 | 第34-37页 |
| 3.4 前馈型神经网络结构设计方法 | 第37-42页 |
| 3.4.1 输入输出层的设计 | 第37-38页 |
| 3.4.2 隐层的设计 | 第38页 |
| 3.4.3 逐次修剪法设计前馈型神经网络 | 第38-42页 |
| 4 基于BP神经网络的热轧带钢厚度控制系统 | 第42-59页 |
| 4.1 基于BP神经网络的带钢厚度控制基本思想 | 第42页 |
| 4.2 BP神经网络带钢厚度控制系统的设计与技巧 | 第42-47页 |
| 4.2.1 BP神经网络结构设计 | 第42页 |
| 4.2.2 BP神经网络厚度控制模型的确定 | 第42-47页 |
| 4.3 BP神经网络厚度预测模型离线学习及结果分析 | 第47-54页 |
| 4.3.1 BP神经网络同层别整体优化 | 第47-50页 |
| 4.3.2 BP神经网络同层别分组优化 | 第50-54页 |
| 4.4 BP神经网络AGC PID仿真设计与结果分析 | 第54-59页 |
| 4.4.1 增量式PID控制器算法 | 第54-55页 |
| 4.4.2 BP神经网络AGC PID控制器的仿真设计 | 第55-58页 |
| 4.4.3 BP神经网络AGC PID控制器仿真结果分析 | 第58-59页 |
| 结论 | 第59-60页 |
| 参考文献 | 第60-62页 |
| 附录A 原文中用到的S函数 | 第62-64页 |
| 致谢 | 第64-65页 |
| 作者简介 | 第65-66页 |
