| 摘要 | 第1-5页 |
| Abstract | 第5-10页 |
| 1 绪论 | 第10-18页 |
| ·引言 | 第10-11页 |
| ·高炉热状态预测模型研究的目的和意义 | 第11-12页 |
| ·国内外炉温预测控制的现状 | 第12-15页 |
| ·国外发展情况 | 第12-13页 |
| ·国内发展情况 | 第13-15页 |
| ·炉温预测的主要技术难度 | 第15-17页 |
| ·本文研究内容 | 第17-18页 |
| 2 炉缸热制度 | 第18-31页 |
| ·高炉炼铁原理 | 第18-19页 |
| ·高炉冶炼的任务 | 第18页 |
| ·高炉结构及炼铁过程 | 第18页 |
| ·高炉冶炼的工艺特点 | 第18-19页 |
| ·炉缸热制度 | 第19-25页 |
| ·热制度的选择 | 第19-25页 |
| ·影响热制度的主要因素 | 第25页 |
| ·炉温异常分析 | 第25-27页 |
| ·炉缸向凉 | 第26-27页 |
| ·炉缸向热 | 第27页 |
| ·4 #高炉炉缸热制度 | 第27-31页 |
| ·静态模型的功能 | 第28页 |
| ·模型参数的处理方法 | 第28页 |
| ·模型的分析结果 | 第28-31页 |
| 3 改进的粒子群优化算法训练BP 神经网络 | 第31-48页 |
| ·BP 神经网络 | 第31-38页 |
| ·人工神经网络简述 | 第31-32页 |
| ·BP 神经网络与BP 学习算法 | 第32-34页 |
| ·BP 神经网络的优势和不足 | 第34-35页 |
| ·神经网络结构优化方法分析 | 第35-38页 |
| ·粒子群优化算法 | 第38-42页 |
| ·算法原理 | 第38-39页 |
| ·算法流程 | 第39-40页 |
| ·基本PSO 与其他进化算法的比较 | 第40页 |
| ·粒子群优化算法参数分析 | 第40-42页 |
| ·改进的粒子群优化算法 | 第42-43页 |
| ·改进的粒子群优化算法的性能测试 | 第43-45页 |
| ·用改进的粒子群优化算法训练BP 神经网络 | 第45-48页 |
| 4 炉热预报数据分析 | 第48-54页 |
| ·非线性回归分析 | 第48页 |
| ·回归分析的基本概念 | 第48页 |
| ·非线性回归分析 | 第48页 |
| ·模型输入参数的确定 | 第48-54页 |
| ·相关性分析的目的 | 第48-49页 |
| ·各工艺参数间相关性分析 | 第49-51页 |
| ·滞后时间的确定 | 第51-53页 |
| ·炉热状态预报模型参数的确定 | 第53-54页 |
| 5 基于改进的粒子群BP 神经网络的高炉热状态预报 | 第54-59页 |
| ·模型结构和参数的确定 | 第54页 |
| ·数据预处理 | 第54-55页 |
| ·模型的预报与仿真 | 第55-59页 |
| 6 结论与展望 | 第59-60页 |
| 致谢 | 第60-61页 |
| 参考文献 | 第61-64页 |
| 附录 | 第64-66页 |