| 摘要 | 第1-4页 |
| Abstract | 第4-5页 |
| 目录 | 第5-8页 |
| 第一章 绪论 | 第8-13页 |
| §1.1 论文研究的目的和意义 | 第8页 |
| §1.2 高炉炉温预测模型研究综述 | 第8-10页 |
| §1.3 高炉专家系统简介 | 第10-12页 |
| §1.4 论文的主要内容 | 第12-13页 |
| 第二章 高炉热状态相关工艺参数分析 | 第13-25页 |
| §2.1 高炉冶炼过程的工艺机理 | 第13页 |
| §2.2 高炉炼铁过程的状态参数和控制参数 | 第13-19页 |
| §2.3 参数的相关性分析 | 第19-20页 |
| §2.4 各参数对铁水硅含量影响滞后时间的分析 | 第20-25页 |
| 第三章 统计学习理论 | 第25-36页 |
| §3.1 机器学习的研究历程 | 第25-27页 |
| §3.2 机器学习的表述 | 第27-28页 |
| §3.2.1 机器学习的一般模型 | 第27页 |
| §3.2.2 机器学习的目的 | 第27-28页 |
| §3.2.3 基本的机器学习问题 | 第28页 |
| §3.3 经验风险最小化 | 第28-29页 |
| §3.4 复杂性与推广能力 | 第29-30页 |
| §3.5 统计学习理论 | 第30-36页 |
| §3.5.1 VC维 | 第30-31页 |
| §3.5.2 推广性的界 | 第31-32页 |
| §3.5.3 结构风险最小化准则 | 第32-33页 |
| §3.5.4 基于间隔的推广估计 | 第33-36页 |
| 第四章 支持向量分类机及其在高炉炉温识别中的应用 | 第36-51页 |
| §4.1 最大间隔原则 | 第36-37页 |
| §4.2 最优分类超平面 | 第37-39页 |
| §4.2.1 构造最优超平面 | 第38-39页 |
| §4.2.2 支持向量 | 第39页 |
| §4.3 推广的最大间隔法 | 第39-42页 |
| §4.4 支持向量分类机 | 第42-45页 |
| §4.4.1 Mercer条件与核函数 | 第42-43页 |
| §4.4.2 LS-SVM(最小二乘分类机) | 第43-44页 |
| §4.4.3 W-LS-SVM(加权支持向量分类机) | 第44-45页 |
| §4.5 多类分类问题 | 第45-46页 |
| §4.5.1 逐一鉴别方法(one-versus-rest) | 第45页 |
| §4.5.2 一一区分方法(one-versus-one) | 第45页 |
| §4.5.3 纠错编码方法(ECC-SVM) | 第45-46页 |
| §4.5.4 一次性求解方法 | 第46页 |
| §4.6 基于支持向量机的高炉铁水硅含量多类别分类 | 第46-51页 |
| §4.6.1 C-均值算法对[Si]做聚类分析 | 第46-47页 |
| §4.6.2 改进的M-ary分类方法 | 第47-48页 |
| §4.6.3 学习集的选取及数据的预处理 | 第48-49页 |
| §4.6.4 采用交叉验证的方法选择最优模型参数 | 第49页 |
| §4.6.5 试验结果 | 第49-50页 |
| §4.6.6 结语 | 第50-51页 |
| 第五章 支持向量回归机及其在高炉炉温预报中的应用 | 第51-60页 |
| §5.1 支持向量回归背景 | 第51页 |
| §5.2 线性回归问题与ε-带超平面 | 第51-53页 |
| §5.3 ε-带超平面与分类问题 | 第53页 |
| §5.4 ε-带超平面的最大间隔回归法 | 第53-54页 |
| §5.5 支持向量回归机(SVR) | 第54页 |
| §5.6 最小二乘支持向量回归机(LS-SVR) | 第54-56页 |
| §5.7 基于LS-SVR的高炉铁水硅含量[Si]预报模型 | 第56-60页 |
| §5.7.1 学习集的选取 | 第56页 |
| §5.7.2 数据的预处理 | 第56-57页 |
| §5.7.3 LS-SVR模型参数选取及预报结果 | 第57-59页 |
| §5.7.4 基于LS-SVR的铁水硅含量预测模型的建模过程 | 第59-60页 |
| 第六章 结论与展望 | 第60-62页 |
| 参考文献 | 第62-64页 |
| 攻读硕士期间完成的论文 | 第64-65页 |
| 致谢 | 第65页 |
