声明
摘要
第1章 绪论
1.1 研究背景和意义
1.2 国内外研究现状
1.2.1 终轧温度研究现状
1.2.2 特征子集提取算法研究现状
1.2.3 最小生成树研究现状
1.2.4 终轧温度预测模型研究现状
1.3 本文主要研究内容
1.4 论文组织结构
第2章 相关理论基础
2.1 基于最小生成树的关键特征提取算法
2.1.1 FAST算法中的相关概念
2.1.2 FAST算法流程
2.1.3 普利姆算法
2.2 最小二乘支持向量回归
2.3 BP神经网络
2.4 本章小结
第3章 实际精轧过程数据说明与预处理
3.1 实际精轧过程数据说明
3.2 终轧温度影响因素分析
3.2.1 轧制速度
3.2.2 带钢厚度
3.2.3 冷却水
3.3 数据预处理
3.3.1 数据清理
3.3.2 数据集成
3.3.3 属性构造
3.3.4 属性离散化
3.4 本章小结
第4章 改进的FAST算法
4.1 引言
4.2 最小生成树构建过程分析
4.3 单点多发散结构的形成
4.4 对FAST算法的改进
4.5 改进的FAST算法具体流程
4.6 算法改进效果评估
4.6.1 特征子集提取结果
4.6.2 特征子集总冗余度
4.6.3 相关性阈值对特征子集提取效果的影响
4.7 本章小结
第5章 终轧温度预测模型构建方法
5.1 引言
5.2 终轧温度建模流程
5.3 模型性能评估
5.4 本文模型与BP神经网络模型对比
5.5 本章小结
6.1 总结
6.2 展望
致谢
参考文献
攻读硕士学位期间发表的论文
攻读硕士学位期间参加的科研项目