| 摘要 | 第1-4页 |
| ABSTRACT | 第4-9页 |
| 1 绪论 | 第9-15页 |
| ·研究背景 | 第9-13页 |
| ·高炉系统 | 第9-10页 |
| ·数据挖掘现状 | 第10-12页 |
| ·专家系统到数据挖掘 | 第12-13页 |
| ·研究的意义 | 第13-14页 |
| ·本文研究的内容 | 第14页 |
| ·本章小结 | 第14-15页 |
| 2 高炉工艺 | 第15-23页 |
| ·高炉炼铁过程 | 第15页 |
| ·高炉运行主要参数 | 第15-19页 |
| ·参数分类 | 第16-17页 |
| ·参数介绍 | 第17-19页 |
| ·高炉十字测温 | 第19-22页 |
| ·本章小结 | 第22-23页 |
| 3 高炉参数理想值聚类分析 | 第23-32页 |
| ·聚类方法 | 第23-24页 |
| ·聚类参数确定 | 第24-28页 |
| ·聚类簇数确定 | 第25-27页 |
| ·聚类收敛比较 | 第27-28页 |
| ·高炉参数的理想值 | 第28-31页 |
| ·本章小结 | 第31-32页 |
| 4 高炉异常炉况分析 | 第32-44页 |
| ·高炉参数相关分析 | 第32-34页 |
| ·相关分析 | 第32页 |
| ·参数相关系数 | 第32-34页 |
| ·异常炉况分析 | 第34-43页 |
| ·状态分析 | 第34-35页 |
| ·热制度失常 | 第35-36页 |
| ·管道 | 第36-43页 |
| ·本章小结 | 第43-44页 |
| 5 基于卡尔曼滤波的改进BP 神经网络 | 第44-60页 |
| ·BP 神经网络 | 第44-50页 |
| ·BP 神经网络模型及学习算法 | 第44-50页 |
| ·BP 学习算法的改进 | 第50页 |
| ·卡尔曼滤波 | 第50-55页 |
| ·卡尔曼最优滤波 | 第51-53页 |
| ·扩展卡尔曼滤波 | 第53-54页 |
| ·扩展卡尔曼的奇异值分解方法 | 第54-55页 |
| ·扩展卡尔曼滤波的前向人工神经网络学习算法[36] | 第55-59页 |
| ·扩展卡尔曼滤波的BP 神经网络学习算法 | 第55-56页 |
| ·仿真结果与分析 | 第56-59页 |
| ·本章小结 | 第59-60页 |
| 6 基于人工神经网络的高炉异常炉况分类和预测 | 第60-66页 |
| ·向凉向热识别模型的建立 | 第60-62页 |
| ·数据预处理 | 第60-61页 |
| ·模型建立 | 第61-62页 |
| ·仿真结果分析 | 第62页 |
| ·管道异常预测模型 | 第62-65页 |
| ·数据预处理 | 第63页 |
| ·模型建立 | 第63-64页 |
| ·仿真结果分析 | 第64-65页 |
| ·本章小结 | 第65-66页 |
| 7 结论与展望 | 第66-67页 |
| 致谢 | 第67-68页 |
| 参考文献 | 第68-71页 |
| 附录 | 第71页 |