| 摘要 | 第1-4页 |
| Abstract | 第4-9页 |
| 1 绪论 | 第9-18页 |
| ·课题的背景和意义 | 第9-10页 |
| ·钢坯热轧过程简介 | 第10-11页 |
| ·热轧过程的工艺流程 | 第10-11页 |
| ·热轧过程的人工控制方法 | 第11页 |
| ·钢坯热轧过程建模的研究现状 | 第11-14页 |
| ·机理建模 | 第11-12页 |
| ·辨识建模 | 第12-13页 |
| ·智能建模 | 第13-14页 |
| ·目前钢坯热轧建模中存在的问题 | 第14-16页 |
| ·热轧过程综合优化智能建模策略的提出 | 第16页 |
| ·本文的主要工作 | 第16-18页 |
| 2 钢坯热轧过程建模数据预处理 | 第18-24页 |
| ·热轧数据过失误差的剔除 | 第18-20页 |
| ·热轧数据随机误差的处理 | 第20-21页 |
| ·热轧数据的归一化处理 | 第21-23页 |
| ·小结 | 第23-24页 |
| 3 基于ANFIS的钢坯热轧过程智能建模方法 | 第24-41页 |
| ·引言 | 第24-25页 |
| ·模糊逻辑、神经网络概况 | 第25-26页 |
| ·模糊逻辑(FL) | 第25-26页 |
| ·人工神经网络(ANN) | 第26页 |
| ·ANFIS的基本结构 | 第26-29页 |
| ·ANFIS的模糊系统描述 | 第26-28页 |
| ·ANFIS的网络结构 | 第28-29页 |
| ·ANFIS的两步混合学习算法 | 第29-35页 |
| ·最近聚类学习算法 | 第30-31页 |
| ·ANFIS的梯度下降学习算法 | 第31-33页 |
| ·在线自学习 | 第33-34页 |
| ·最近聚类ANFIS热轧建模算法流程图 | 第34-35页 |
| ·基于最近聚类的ANFIS热轧过程建模仿真研究 | 第35-40页 |
| ·ANFIS建模及其外延性仿真 | 第35-38页 |
| ·ANFIS建模与现场经验模糊神经网络建模的比较 | 第38页 |
| ·ANFIS建模与传统BP网络的比较 | 第38-40页 |
| ·小结 | 第40-41页 |
| 4 AIS用于解决热轧过程ANFIS建模的局部极小值问题 | 第41-50页 |
| ·引言 | 第41页 |
| ·人工免疫系统(AIS) | 第41-44页 |
| ·AIS的产生和发展 | 第41-42页 |
| ·AIS在数据建模中的应用 | 第42-43页 |
| ·人工免疫操作 | 第43-44页 |
| ·AIS聚类算法及其在热轧建模应用的优缺点 | 第44-47页 |
| ·基于AIS聚类的ANFIS热轧过程建模仿真研究 | 第47-49页 |
| ·不同σ_s,ratio值下ANFIS辨识误差MSE的变化趋势 | 第47-48页 |
| ·AIS聚类对ANFIS建模避免局部极小值的作用 | 第48-49页 |
| ·小结 | 第49-50页 |
| 5 AIS聚类算法参数优化设定在热轧过程建模中的应用 | 第50-60页 |
| ·热轧过程建模中AIS算法参数的优化设定 | 第50-53页 |
| ·亲和力α_(ij)及相似度S_(ij)的优化 | 第50-52页 |
| ·网络抑制阀值σ_s的优化 | 第52页 |
| ·自然死亡阀值σ_d的优化 | 第52-53页 |
| ·AIS随机特性对热轧模型规则数的影响 | 第53-54页 |
| ·AIS学习速度的优化方法 | 第54-55页 |
| ·AIS与其它聚类算法在热轧建模中的性能比较 | 第55-58页 |
| ·优化后的AIS聚类用于ANFIS热轧过程建模仿真 | 第58-59页 |
| ·小结 | 第59-60页 |
| 结论 | 第60-62页 |
| 参考文献 | 第62-64页 |
| 攻读硕士学位期间发表学术论文情况 | 第64-65页 |
| 致谢 | 第65-66页 |
