论文目录 | |
摘要 | 第1-5
页 |
ABSTRACT | 第5-9
页 |
第一章 绪论 | 第9-21
页 |
· 课题来源 | 第9-10
页 |
· 铝电磁铸轧技术及铝带坯晶粒度检测技术的研究现状 | 第10-13
页 |
· 铝电磁铸轧技术的国内外研究现状 | 第10-12
页 |
· 铝带坯晶粒度检测技术的研究现状 | 第12-13
页 |
· 软测量技术的研究与应用 | 第13-16
页 |
· 软测量研究的主要内容 | 第13-14
页 |
· 软测量的研究现状 | 第14-16
页 |
· 软测量建模方法 | 第16-19
页 |
· 基于传统方法的软测量模型 | 第16
页 |
· 基于回归分析的软测量模型 | 第16-18
页 |
· 基于智能方法的软测量模型 | 第18-19
页 |
· 论文主要工作与章节安排 | 第19-21
页 |
第二章 铝电磁铸轧系统及其工艺机理分析 | 第21-33
页 |
· 铝连续铸轧的发展及现状 | 第21-23
页 |
· 传统的铝及铝合金连续铸轧技术及工艺 | 第21-22
页 |
· 铝电磁铸轧技术及工艺 | 第22-23
页 |
· 铝电磁铸轧系统构造 | 第23-24
页 |
· 铝电磁铸轧系统工艺机理分析 | 第24-26
页 |
· 影响铝带坯晶粒度的铸轧因素和电磁因素 | 第26-32
页 |
· 影响铸轧铝带坯的铸轧工艺因素 | 第27-31
页 |
· 影响铸轧铝带坯的电磁因素 | 第31-32
页 |
· 本章小结 | 第32-33
页 |
第三章 机器学习理论及支持向量机 | 第33-44
页 |
· 机器学习理论 | 第33-38
页 |
· 基于数据的机器学习问题模型 | 第33-34
页 |
· 统计学习理论 | 第34-35
页 |
· 学习过程的一致性条件 | 第35
页 |
· VC维理论 | 第35-36
页 |
· 推广性的界 | 第36-38
页 |
· 支持向量机 | 第38-43
页 |
· 支持向量机的基本思想 | 第38-42
页 |
· 核函数 | 第42-43
页 |
· 本章小结 | 第43-44
页 |
第四章 基于 SVM及ε-SVR的铝带坯晶粒度软测量建模 | 第44-65
页 |
· 铝电磁铸轧系统软测量模型的建立 | 第44-52
页 |
· 铝电磁铸轧系统软测量模型的结构 | 第44-46
页 |
· 铝电磁铸轧系统软测量模型的设计 | 第46
页 |
· 铝电磁铸轧系统软测量模型工程的实现 | 第46-52
页 |
· 基于SVM及ε-SVR的铝带坯晶粒度软测量模型的建立 | 第52-63
页 |
· 铝电磁铸轧系统软测量模型结构 | 第52-53
页 |
· 改进的SVM算法研究 | 第53-55
页 |
· 软测量模型建模及仿真 | 第55-63
页 |
· 基于ε-SVR的铝电磁铸轧系统软测量建模及实验结果 | 第63-64
页 |
· 本章小结 | 第64-65
页 |
第五章 基于v-SVR改进算法的铝电磁铸轧系统软测量建模 | 第65-72
页 |
· v-SVR训练算法 | 第65-66
页 |
· 不同参数对预测结果的影响 | 第66-70
页 |
· 基于v-SVR的铝带坯晶粒度软测量建模及实验结果 | 第70-71
页 |
· 本章小结 | 第71-72
页 |
第六章 总结与展望 | 第72-74
页 |
· 工作总结 | 第72-73
页 |
· 研究展望 | 第73-74
页 |
参考文献 | 第74-79
页 |
致谢 | 第79-80
页 |
攻读硕士学位期间主要的研究成果 | 第80
页 |