| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-21页 |
| 1.1 引言 | 第11-12页 |
| 1.2 首钢集团转炉炼钢概述 | 第12-14页 |
| 1.2.1 转炉炼钢的原理 | 第12-13页 |
| 1.2.2 转炉炼钢设备和工艺过程 | 第13-14页 |
| 1.3 转炉炼钢终点控制现状 | 第14-16页 |
| 1.3.1 人工经验控制 | 第14-15页 |
| 1.3.2 静态控制 | 第15页 |
| 1.3.3 动态控制 | 第15-16页 |
| 1.4 神经网络在转炉炼钢中的应用及发展 | 第16-19页 |
| 1.4.1 基于BP网络的建模方法 | 第16-17页 |
| 1.4.2 RBP神经网络的终点预报 | 第17-18页 |
| 1.4.3 神经网络和其他智能方法的结合 | 第18页 |
| 1.4.4 采用专家系统的动态冶炼模型 | 第18-19页 |
| 1.5 研究背景及意义 | 第19-20页 |
| 1.6 论文主要研究内容 | 第20-21页 |
| 第2章 神经网络基本理论 | 第21-37页 |
| 2.1 引言 | 第21-23页 |
| 2.2 BP神经网络介绍 | 第23-28页 |
| 2.2.1 BP网络构造 | 第23-24页 |
| 2.2.2 隐含层的设计 | 第24-25页 |
| 2.2.3 BP神经网络权值调整 | 第25-28页 |
| 2.2.4 BP学习算法的计算步骤 | 第28页 |
| 2.3 BP神经网络算法的问题和改进 | 第28-36页 |
| 2.3.1 BP算法存在的问题 | 第28-30页 |
| 2.3.2 BP算法的改进 | 第30-34页 |
| 2.3.3 LM算法 | 第34-36页 |
| 2.4 本章小结 | 第36-37页 |
| 第3章 基于神经网络的建模方法研究 | 第37-47页 |
| 3.1 基于神经网络的建模原理 | 第37-38页 |
| 3.2 神经网络建模方法的几点考虑 | 第38-39页 |
| 3.3 神经网络控制模型 | 第39-46页 |
| 3.3.1 正向建模 | 第39-40页 |
| 3.3.2 直接逆向建模 | 第40-41页 |
| 3.3.3 正-逆系统建模 | 第41-43页 |
| 3.3.4 神经网络内模控制逆系统建模 | 第43-45页 |
| 3.3.5 BP网络的自校正内模控制 | 第45-46页 |
| 3.4 本章小结 | 第46-47页 |
| 第4章 模型的应用研究 | 第47-65页 |
| 4.1 预报模型数据的处理 | 第47-50页 |
| 4.1.1 确定输入输出的参数 | 第47-48页 |
| 4.1.2 数据统计 | 第48-49页 |
| 4.1.3 测试样本归一化处理 | 第49-50页 |
| 4.2 采用Levenberg-Marquardt (LM)算法的BP预报模型 | 第50-56页 |
| 4.2.1 模型结构 | 第50-52页 |
| 4.2.2 仿真结果分析 | 第52-56页 |
| 4.3 转炉炼钢终点控制的模型 | 第56-64页 |
| 4.3.1 转炉炼钢控制系统 | 第56-57页 |
| 4.3.2 转炉炼钢终点控制逆模型 | 第57-62页 |
| 4.3.3 实验分析 | 第62-64页 |
| 4.4 本章小结 | 第64-65页 |
| 第5章 结论与展望 | 第65-67页 |
| 5.1 总结 | 第65-66页 |
| 5.2 展望 | 第66-67页 |
| 参考文献 | 第67-69页 |
| 致谢 | 第69页 |