您当前的位置：首页 > 板材矫直机智能控制及应用 [刘凯，徐宏喆著] 2010年版 > 下载地址1
板材矫直机智能控制及应用 [刘凯，徐宏喆著] 2010年版
- 名 称：板材矫直机智能控制及应用 [刘凯，徐宏喆著] 2010年版 - 下载地址1
- 类 别：钢铁冶金
- 下载地址：[下载地址1]
- 提 取 码：
- 浏览次数：3
发表评论 加入收藏夹 错误报告目录| 新闻评论（共有 0 条评论） |
资料介绍
板材矫直机智能控制及应用
作者：刘凯，徐宏喆著
出版时间：2010年版
内容简介
《板材矫直机智能控制及应用》是作者从事板材矫直机智能控制系统研究工作的总结，系统地介绍了有关板材矫直机智能控制系统研究的最新成果，较全面地反映了这一领域的学术水平。全书共分九章，介绍了矫直机工艺参数选择方法的发展过程和研究现状；系统介绍了板材矫直机智能控制系统的相关技术；研究了矫直机智能控制系统；提出了基于激光测量的板形样本获取方法和基于激光测量的板形样本获取系统的设计与实现；分析了激光板形检测中的关键问题；研究了矫直过程知识提取的样本学习算法和矫直工艺参数选择系统的研究与实现；给出了矫直机控制系统的应用举例。《板材矫直机智能控制及应用》取材新颖，研究结合实际，注意将理论研究和工程实际结合、数值分析和实验研究结合。《板材矫直机智能控制及应用》可作为高等院校机电工程专业的教师和研究生教学参考，并可供从事板材矫直机智能控制研究的工程技术人员参考。
目录
前言
第1章 绪论
1.1 研究背景和意义
1.2 国内外研究现状及存在的问题
1.2.1 矫直机工业控制现状
1.2.2 板形检测研究现状
1.2.3 目前研究中存在的问题
1.3 研究的主要工作及内容
第2章 板材矫直机智能控制系统的相关技术
2.1 连续式拉伸弯曲矫直机的原理及结构
2.1.1 连续式拉伸弯曲矫直机的矫直原理
2.1.2 连续式拉伸弯曲矫直机的组成结构
2.2 板形及检测技术
2.2.1 板形的描述方法
2.2.2 基于结构光的板形检测技术
2.3 图像采集及处理技术
2.3.1 基于DirectShow的视频采集技术
2.3.2 图像处理技术
2.3.3 图像边缘检测技术
2.4 智能控制技术
.2.4.1 人工神经网络的BP模型
2.4.2 支持向量机
2.4.3 统计学习理论
2.4.4 支持向量机的原理
2.4.5 支持向量机的关键参数
2.4.6 支持向量机的特点
2.4.7 遗传算法
2.4.8 遗传算法的原理
2.4.9 遗传算法的特点
2.5 本章小结
第3章 矫直机智能控制系统
3.1 传统板形样本获取方法应用于智能控制的局限性
3.2 矫直机的智能控制系统需求
3.3 矫直机的智能控制系统设计
3.4 本章小结
第4章 基于激光测量的板形样本获取方法研究
4.1 参数选择系统对板形数据的要求
4.2 板形样本获取方法的研究
4.2.1 激光三角法测量技术针对线板形检测应用的改进
4.2.2 几种主要板形检测方法比较
4.2.3 板形样本的特征模式
4.3 样本筛选
4.4 板形样本获取方案
4.4.1 板形样本获取系统组成
4.4.2 板形样本获取系统的处理流程
4.5 本章小结
第5章 激光板形检测中关键问题分析
5.1 激光板形检测方法中边缘检测算法的研究
5.1.1 经典边缘检测算法
5.1.2 Canny边缘检测算法
5.1.3 基于小波的多尺度边缘检测算法
5.2 一种基于图像清晰度评价的边缘检测算法（ISEED）的研究
5.2.1 图像清晰度评价算法
5.2.2 改进的灰度差分边缘检测算法
5.2.3 改进的Canny边缘检测算法
5.2.4 一种基于图像清晰度评价的边缘检测算法的提出
5.2.5 ISEED算法的边缘检测结果
5.3 基于ISEED算法的激光板形检测方法
5.4 本章小结
第6章 板形样本获取系统的设计与实现
6.1 板形样本获取系统详细设计
6.1.1 图像采集模块设计
6.1.2 图像处理模块设计
6.1.3 伸长率及三维数据计算模块设计
6.1.4 板形识别模块设计
6.1.5 系统控制模块设计
6.2 板形样本获取系统的实现
6.2.1 图像处理模块的实现
6.2.2 数据分析模块的实现
6.3 本章小结
第7章 矫直过程知识提取的样本学习算法研究
7.1 样本学习
7.1.1 样本的来源
7.1.2 样本的形式化描述
7.1.3 样本学习的特征
7.2 样本学习问题的背景及目标
7.2.1 样本学习算法的主要功能
7.2.2 样本学习问题的基础解决方案的选择
7.2.3 样本学习问题的基础解决方案的分析研究
7.3 基于SVR的样本学习算法的分析与研究
7.3.1 基于SVR的增量式样本学习算法
7.3.2 基于SVR的批量样本的增量式学习算法
7.3.3 基于SVR的批量样本的在线增量式学习算法
7.4 算法的实现和效果分析
7.5 本章小结
第8章 矫直机工艺参数选择系统的研究与实现
8.1 基于SVR-GA混合算法的总体框架
8.2 基于SVR-GA混合算法的分析与研究
8.2.1 染色体编码与解码
8.2.2 初始群体的生成
8.2.3 个体适应度的评估检测
8.2.4 遗传算子
8.2.5 混合算法的运行参数
8.3 矫直机工艺参数选择系统的需求分析和总体设计
8.3.1 工艺参数选择系统的功能
8.3.2 工艺参数选择系统的需求
8.3.3 参数选择系统的静态组成模型的设计
8.3.4 参数选择系统的动态流程的设计
8.3.5 参数选择的状态分析
8.3.6 参数选择系统的数据流分析
8.4 参数选择模型原型系统的详细设计与实现
8.4.1 原型系统的实现环境及分层架构的实现
8.4.2 公共数据结构的设计与实现
8.4.3 样本库及样本库管理模块的设计与实现
8.4.4 知识库及知识库管理模块的设计与实现
8.4.5 样本学习模块的设计与实现
8.4.6 参数选择模块的设计与实现
8.4.7 信息查询模块的设计与实现
8.4.8 人机交互界面子模块的设计与实现
8.5 本章小结
第9章 矫直机智能控制系统的应用
9.1 控制系统的应用环境
9.2 板形检测系统应用效果分析
9.3 工艺参数选择系统的应用效果及性能分析
9.3.1 工艺参数选择系统应用效果
9.3.2 SVR-GA混合算法的性能结果分析
9.4 矫直机控制系统的验证
9.5 本章小结
参考文献
作者：刘凯，徐宏喆著
出版时间：2010年版
内容简介
《板材矫直机智能控制及应用》是作者从事板材矫直机智能控制系统研究工作的总结，系统地介绍了有关板材矫直机智能控制系统研究的最新成果，较全面地反映了这一领域的学术水平。全书共分九章，介绍了矫直机工艺参数选择方法的发展过程和研究现状；系统介绍了板材矫直机智能控制系统的相关技术；研究了矫直机智能控制系统；提出了基于激光测量的板形样本获取方法和基于激光测量的板形样本获取系统的设计与实现；分析了激光板形检测中的关键问题；研究了矫直过程知识提取的样本学习算法和矫直工艺参数选择系统的研究与实现；给出了矫直机控制系统的应用举例。《板材矫直机智能控制及应用》取材新颖，研究结合实际，注意将理论研究和工程实际结合、数值分析和实验研究结合。《板材矫直机智能控制及应用》可作为高等院校机电工程专业的教师和研究生教学参考，并可供从事板材矫直机智能控制研究的工程技术人员参考。
目录
前言
第1章 绪论
1.1 研究背景和意义
1.2 国内外研究现状及存在的问题
1.2.1 矫直机工业控制现状
1.2.2 板形检测研究现状
1.2.3 目前研究中存在的问题
1.3 研究的主要工作及内容
第2章 板材矫直机智能控制系统的相关技术
2.1 连续式拉伸弯曲矫直机的原理及结构
2.1.1 连续式拉伸弯曲矫直机的矫直原理
2.1.2 连续式拉伸弯曲矫直机的组成结构
2.2 板形及检测技术
2.2.1 板形的描述方法
2.2.2 基于结构光的板形检测技术
2.3 图像采集及处理技术
2.3.1 基于DirectShow的视频采集技术
2.3.2 图像处理技术
2.3.3 图像边缘检测技术
2.4 智能控制技术
.2.4.1 人工神经网络的BP模型
2.4.2 支持向量机
2.4.3 统计学习理论
2.4.4 支持向量机的原理
2.4.5 支持向量机的关键参数
2.4.6 支持向量机的特点
2.4.7 遗传算法
2.4.8 遗传算法的原理
2.4.9 遗传算法的特点
2.5 本章小结
第3章 矫直机智能控制系统
3.1 传统板形样本获取方法应用于智能控制的局限性
3.2 矫直机的智能控制系统需求
3.3 矫直机的智能控制系统设计
3.4 本章小结
第4章 基于激光测量的板形样本获取方法研究
4.1 参数选择系统对板形数据的要求
4.2 板形样本获取方法的研究
4.2.1 激光三角法测量技术针对线板形检测应用的改进
4.2.2 几种主要板形检测方法比较
4.2.3 板形样本的特征模式
4.3 样本筛选
4.4 板形样本获取方案
4.4.1 板形样本获取系统组成
4.4.2 板形样本获取系统的处理流程
4.5 本章小结
第5章 激光板形检测中关键问题分析
5.1 激光板形检测方法中边缘检测算法的研究
5.1.1 经典边缘检测算法
5.1.2 Canny边缘检测算法
5.1.3 基于小波的多尺度边缘检测算法
5.2 一种基于图像清晰度评价的边缘检测算法（ISEED）的研究
5.2.1 图像清晰度评价算法
5.2.2 改进的灰度差分边缘检测算法
5.2.3 改进的Canny边缘检测算法
5.2.4 一种基于图像清晰度评价的边缘检测算法的提出
5.2.5 ISEED算法的边缘检测结果
5.3 基于ISEED算法的激光板形检测方法
5.4 本章小结
第6章 板形样本获取系统的设计与实现
6.1 板形样本获取系统详细设计
6.1.1 图像采集模块设计
6.1.2 图像处理模块设计
6.1.3 伸长率及三维数据计算模块设计
6.1.4 板形识别模块设计
6.1.5 系统控制模块设计
6.2 板形样本获取系统的实现
6.2.1 图像处理模块的实现
6.2.2 数据分析模块的实现
6.3 本章小结
第7章 矫直过程知识提取的样本学习算法研究
7.1 样本学习
7.1.1 样本的来源
7.1.2 样本的形式化描述
7.1.3 样本学习的特征
7.2 样本学习问题的背景及目标
7.2.1 样本学习算法的主要功能
7.2.2 样本学习问题的基础解决方案的选择
7.2.3 样本学习问题的基础解决方案的分析研究
7.3 基于SVR的样本学习算法的分析与研究
7.3.1 基于SVR的增量式样本学习算法
7.3.2 基于SVR的批量样本的增量式学习算法
7.3.3 基于SVR的批量样本的在线增量式学习算法
7.4 算法的实现和效果分析
7.5 本章小结
第8章 矫直机工艺参数选择系统的研究与实现
8.1 基于SVR-GA混合算法的总体框架
8.2 基于SVR-GA混合算法的分析与研究
8.2.1 染色体编码与解码
8.2.2 初始群体的生成
8.2.3 个体适应度的评估检测
8.2.4 遗传算子
8.2.5 混合算法的运行参数
8.3 矫直机工艺参数选择系统的需求分析和总体设计
8.3.1 工艺参数选择系统的功能
8.3.2 工艺参数选择系统的需求
8.3.3 参数选择系统的静态组成模型的设计
8.3.4 参数选择系统的动态流程的设计
8.3.5 参数选择的状态分析
8.3.6 参数选择系统的数据流分析
8.4 参数选择模型原型系统的详细设计与实现
8.4.1 原型系统的实现环境及分层架构的实现
8.4.2 公共数据结构的设计与实现
8.4.3 样本库及样本库管理模块的设计与实现
8.4.4 知识库及知识库管理模块的设计与实现
8.4.5 样本学习模块的设计与实现
8.4.6 参数选择模块的设计与实现
8.4.7 信息查询模块的设计与实现
8.4.8 人机交互界面子模块的设计与实现
8.5 本章小结
第9章 矫直机智能控制系统的应用
9.1 控制系统的应用环境
9.2 板形检测系统应用效果分析
9.3 工艺参数选择系统的应用效果及性能分析
9.3.1 工艺参数选择系统应用效果
9.3.2 SVR-GA混合算法的性能结果分析
9.4 矫直机控制系统的验证
9.5 本章小结
参考文献
