RBFNN研究及其在铁水脱硫静态模型中的应用
| 中文摘要 | 第4-5页 |
| 英文摘要 | 第5页 |
| 1 绪论 | 第9-15页 |
| 1．1 项目背景和课题来源 | 第9-10页 |
| 1．1．1 项目背景 | 第9-10页 |
| 1．1．2 课题来源 | 第10页 |
| 1．2 国内外工业生产过程控制的研究现状 | 第10-12页 |
| 1．2．1 工业生产过程控制模型的发展 | 第10-11页 |
| 1．2．2 钢铁行业中的静态控制模型 | 第11-12页 |
| 1．2．3 钢铁行业中的人工智能模型研究现状 | 第12页 |
| 1．3 铁水脱硫静态预报模型的研究 | 第12-13页 |
| 1．4 本文的主要成果和结构安排 | 第13-15页 |
| 2 径向基函数神经网络理论基础 | 第15-25页 |
| 2．1 RBF神经网络的研究现状 | 第15-16页 |
| 2．2 RBF神经网络的结构 | 第16-17页 |
| 2．3 RBF的函数逼近能力和泛化能力 | 第17-22页 |
| 2．3．1 插值问题 | 第17-18页 |
| 2．3．2 正规化理论 | 第18-21页 |
| 2．3．3 正规化问题的逼近解 | 第21-22页 |
| 2．4 RBF神经网络的训练算法 | 第22-25页 |
| 3 改进的RPCL算法确定RBF网络中心 | 第25-36页 |
| 3．1 自组织特征映射 | 第25页 |
| 3．2 竞争学习 | 第25-31页 |
| 3．3 改进的RPCL用于RBF中心的学习 | 第31-36页 |
| 4 混沌优化算法优化RBF宽度 | 第36-44页 |
| 4．1 混沌理论 | 第36-38页 |
| 4．1．1 混沌的基本概念 | 第36-37页 |
| 4．1．2 开放系统的混沌动力学 | 第37-38页 |
| 4．2 混沌优化理论 | 第38-40页 |
| 4．3 变尺度混沌优化方法确定RBF宽度 | 第40-44页 |
| 5 EM算法学习正则RBF网络权值 | 第44-52页 |
| 5．1 贝叶斯学习 | 第44-47页 |
| 5．1．1 贝叶斯法则 | 第44-45页 |
| 5．1．2 贝叶斯学习学习RBF网络权值 | 第45-47页 |
| 5．2 EM算法 | 第47-52页 |
| 5．2．1 EM算法的一般表述 | 第47-48页 |
| 5．2．2 EM算法训练RBF网络权值 | 第48-52页 |
| 6 RBFNN建立铁水脱硫预报模型 | 第52-57页 |
| 6．1 铁水脱硫预报模型的构架 | 第52-53页 |
| 6．1．1 影响铁水脱硫的主要因素 | 第52-53页 |
| 6．1．2 铁水脱硫预报模型的结构 | 第53页 |
| 6．2 数据预处理 | 第53-54页 |
| 6．3 RBFNN建立铁水脱硫预报模型及仿真 | 第54-57页 |
| 7 结论 | 第57-58页 |
| 致谢 | 第58-59页 |
| 参考文献 | 第59-61页 |
