| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 选题的背景及研究意义 | 第11-12页 |
| 1.2 高炉炉温预测方法的国内外研究现状及发展趋势 | 第12-14页 |
| 1.2.1 国内外高炉炉温预测的常用模型 | 第12页 |
| 1.2.2 国内外高炉炉温预测模型的研究现状 | 第12-13页 |
| 1.2.3 目前高炉炉温预测研究的不足及发展趋势 | 第13-14页 |
| 1.3 区间神经网络研究现状 | 第14-15页 |
| 1.4 论文研究的主要内容 | 第15-17页 |
| 第2章 高炉炼铁过程分析 | 第17-29页 |
| 2.1 高炉炼铁 | 第17-21页 |
| 2.1.1 高炉的结构 | 第17-18页 |
| 2.1.2 高炉炼铁原理 | 第18页 |
| 2.1.3 高炉炼铁工艺流程分析 | 第18-20页 |
| 2.1.4 高炉炼铁生产特点 | 第20-21页 |
| 2.2 高炉生产的基础自动化 | 第21-23页 |
| 2.2.1 高炉专用的检测仪表 | 第21-22页 |
| 2.2.2 高炉生产过程自动化 | 第22-23页 |
| 2.3 影响炉温的工艺参数 | 第23-26页 |
| 2.4 炉温与铁水硅含量的关系 | 第26-27页 |
| 2.5 本章小结 | 第27-29页 |
| 第3章 区间小波神经网络 | 第29-57页 |
| 3.1 相关基础知识 | 第29-40页 |
| 3.1.1 区间基本概念 | 第29-31页 |
| 3.1.2 BP神经网络 | 第31-34页 |
| 3.1.3 小波分析 | 第34-36页 |
| 3.1.4 小波神经网络 | 第36-40页 |
| 3.2 区间神经网络 | 第40-48页 |
| 3.2.1 区间神经网络结构 | 第41页 |
| 3.2.2 区间神经网络学习算法 | 第41-48页 |
| 3.2.3 数值实验 | 第48页 |
| 3.3 区间小波神经网络 | 第48-56页 |
| 3.3.1 区间小波神经网络学习算法 | 第48-55页 |
| 3.3.2 数值实验 | 第55-56页 |
| 3.4 本章小结 | 第56-57页 |
| 第4章 基于区间小波神经网络的高炉炉温预测模型建立 | 第57-67页 |
| 4.1 小波包信号去噪 | 第57-59页 |
| 4.1.1 小波包信号去噪的特点和主要步骤 | 第57页 |
| 4.1.2 阈值函数的选择 | 第57-59页 |
| 4.2 主元分析法 | 第59-63页 |
| 4.2.1 主成分分析方法基本原理 | 第59-62页 |
| 4.2.2 数据降维 | 第62-63页 |
| 4.3 网络模型的建立 | 第63-66页 |
| 4.3.1 区间神经网络模型的建立 | 第63-64页 |
| 4.3.2 区间小波神经网络模型建立 | 第64-66页 |
| 4.4 本章小结 | 第66-67页 |
| 第5章 基于区间小波神经网络的高炉炉温预测模型仿真 | 第67-77页 |
| 5.1 项目背景及输入数据的选择 | 第67页 |
| 5.2 数据分析与预处理 | 第67-70页 |
| 5.2.1 高炉数据的去噪处理 | 第67-68页 |
| 5.2.2 基于PCA的数据降维 | 第68-70页 |
| 5.3 鲅鱼圈1 | 第70-75页 |
| 5.3.1 区间神经网络预测仿真 | 第71-72页 |
| 5.3.2 区间小波神经网络预测仿真 | 第72-73页 |
| 5.3.3 各种区间神经网络的预测结果比较和分析 | 第73-75页 |
| 5.4 本章小结 | 第75-77页 |
| 第6章 结论与展望 | 第77-79页 |
| 参考文献 | 第79-83页 |
| 致谢 | 第83页 |
