| 摘要 | 第1-6页 |
| Abstract | 第6-11页 |
| 第一章 绪论 | 第11-29页 |
| §1.1 转炉炼钢简介 | 第11-16页 |
| §1.1.1 转炉炼钢发展过程 | 第11-12页 |
| §1.1.2 转炉炼钢设备及工艺过程 | 第12-14页 |
| §1.1.3 转炉炼钢检测技术 | 第14-16页 |
| §1.2 人工智能技术及智能控制 | 第16-19页 |
| §1.2.1 人工智能技术 | 第16-17页 |
| §1.2.2 智能控制理论及应用 | 第17-19页 |
| §1.3 转炉炼钢自动化技术 | 第19-24页 |
| §1.3.1 转炉炼钢自动化现状 | 第19-20页 |
| §1.3.2 转炉冶炼控制模型 | 第20-23页 |
| §1.3.3 宝钢过程控制技术的应用 | 第23-24页 |
| §1.4 转炉炼钢终点预报技术 | 第24-28页 |
| §1.4.1 转炉炼钢终点预报 | 第24-25页 |
| §1.4.2 转炉炼钢终点预报技术现状 | 第25-26页 |
| §1.4.3 转炉炼钢终点锰、磷预报 | 第26-28页 |
| §1.5 本文的主要工作 | 第28-29页 |
| 第二章 建模基础知识概述 | 第29-44页 |
| §2.1 模型基本知识 | 第29-33页 |
| §2.1.1 数学模型 | 第29页 |
| §2.1.2 建立过程数学模型的两个基本方法 | 第29-30页 |
| §2.1.3 数据样本归一化与逆归一化 | 第30-31页 |
| §2.1.4 模型预报性能的评价标准 | 第31-33页 |
| §2.2 统计回归建模与分析 | 第33-37页 |
| §2.2.1 回归方法综述 | 第33页 |
| §2.2.2 回归模型的分类 | 第33-34页 |
| §2.2.3 多元线性回归 | 第34-37页 |
| §2.2.4 回归方法建模的特点 | 第37页 |
| §2.3 神经网络基础 | 第37-44页 |
| §2.3.1 神经网络概述 | 第37-40页 |
| §2.3.2 BP神经网络 | 第40-44页 |
| 第三章 转炉炼钢终点锰含量预报模型 | 第44-62页 |
| §3.1 引言 | 第44页 |
| §3.2 转炉炼钢过程中锰的反应 | 第44页 |
| §3.3 模型参数的采集 | 第44-49页 |
| §3.3.1 吹炼控制信息 | 第44-45页 |
| §3.3.2 参数的选取 | 第45-49页 |
| §3.4 建模样本的筛选 | 第49-50页 |
| §3.4.1 数据筛选的统计学条件 | 第49页 |
| §3.4.2 数据筛选的生产实际条件 | 第49-50页 |
| §3.5 直接数据库参数作为输入变量的终点锰预报模型 | 第50-55页 |
| §3.5.1 转炉炼钢终点锰预报的回归模型(RLMN) | 第50-52页 |
| §3.5.2 转炉炼钢终点锰预报的神经网络模型 | 第52-54页 |
| §3.5.3 模型预报精度的比较与评价 | 第54-55页 |
| §3.6 改进参数作为输入变量的终点锰预报模型 | 第55-59页 |
| §3.6.1 转炉炼钢终点锰预报的回归模型(改进参数变量) | 第55-57页 |
| §3.6.2 转炉炼钢终点锰预报的神经网络模型(改进参数变量) | 第57-59页 |
| §3.7 各终点锰预报模型的结果比较 | 第59-61页 |
| §3.8 神经网络建模应注意的问题 | 第61-62页 |
| 第四章 转炉炼钢终点磷含量预报模型 | 第62-68页 |
| §4.1 引言 | 第62页 |
| §4.2 模型输入参数的采集 | 第62页 |
| §4.3 数据样本的筛选 | 第62-63页 |
| §4.4 转炉炼钢终点磷含量预报的回归模型 | 第63-65页 |
| §4.4.1 建模方法 | 第63页 |
| §4.4.2 模型仿真 | 第63-65页 |
| §4.5 转炉炼钢终点磷含量预报的神经网络模型 | 第65-67页 |
| §4.5.1 建模方法 | 第65页 |
| §4.5.2 模型仿真 | 第65-67页 |
| §4.6 各终点磷预报模型的比较及结论 | 第67-68页 |
| 第五章 BP神经网络源程序的编制 | 第68-76页 |
| §5.1 BP神经网络源程序编制的原因 | 第68页 |
| §5.2 Levenberg-Marquart算法 | 第68-69页 |
| §5.3 程序编制中几个重要问题及其解决 | 第69-71页 |
| §5.3.1 占用内存大 | 第69-70页 |
| §5.3.2 "过拟合"现象 | 第70页 |
| §5.3.3 克服BP网络本身的缺点 | 第70页 |
| §5.3.4 工业建模及应用中的特殊要求 | 第70-71页 |
| §5.4 BP神经网络程序的流程图 | 第71-73页 |
| §5.5 BP神经网络源程序的应用结果 | 第73-75页 |
| §5.6 BP神经网络应用中应注意的一些问题 | 第75-76页 |
| 第六章 转炉炼钢终点锰含量预报的工业应用模型开发 | 第76-85页 |
| §6.1 模型与应用环境的关系 | 第76-77页 |
| §6.2 模型与应用环境的接口 | 第77-79页 |
| §6.3 BP网络建模模块介绍 | 第79-80页 |
| §6.4 模型离线测试效果 | 第80-82页 |
| §6.5 今后对模型的改进 | 第82-85页 |
| §6.5.1 新息模型 | 第83页 |
| §6.5.2 物质成分含量的更新 | 第83-85页 |
| 第七章 结束语 | 第85-87页 |
| 参考文献 | 第87-90页 |
| 攻读硕士学位期间发表的论文 | 第90-91页 |
| 致谢 | 第91-92页 |
| 附录 工作证明 | 第92页 |
