烧结配料优化及烧结矿FeO含量预测的数学模型研究
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 目录 | 第9-11页 |
| 第1章 绪论 | 第11-21页 |
| 1.1 烧结概论及特点 | 第11-14页 |
| 1.1.1 烧结过程 | 第11-12页 |
| 1.1.2 烧结生产的特点 | 第12-13页 |
| 1.1.3 烧结配料 | 第13-14页 |
| 1.1.4 烧结矿的质量要求 | 第14页 |
| 1.2 我国烧结行业现状 | 第14-17页 |
| 1.3 国内外研究现状及发展趋势 | 第17-19页 |
| 1.3.1 配料优化数学模型研究现状 | 第17-18页 |
| 1.3.2 人工神经网络在烧结中应用现状 | 第18-19页 |
| 1.4 研究意义和内容 | 第19-21页 |
| 1.4.1 研究意义 | 第19-20页 |
| 1.4.2 研究内容 | 第20-21页 |
| 第2章 烧结配料优化 | 第21-37页 |
| 2.1 铁矿石的价值评价 | 第21-26页 |
| 2.1.1 铁矿石的评价方法 | 第21-23页 |
| 2.1.2 铁矿石经济价值的计算 | 第23-26页 |
| 2.2 遗传算法基础 | 第26-29页 |
| 2.2.1 遗传算法简介 | 第26-27页 |
| 2.2.2 遗传算法基本操作与结构 | 第27-29页 |
| 2.2.3 遗传算法特点 | 第29页 |
| 2.3 建模与遗传算法求解 | 第29-36页 |
| 2.3.1 建立模型 | 第30-32页 |
| 2.3.2 遗传算法求解步骤 | 第32-34页 |
| 2.3.3 求解结果 | 第34-36页 |
| 2.4 小结 | 第36-37页 |
| 第3章 预测FeO含量神经网络选择 | 第37-61页 |
| 3.1 神经网络基础理论 | 第37-42页 |
| 3.1.1 神经元结构模型 | 第37-39页 |
| 3.1.2 神经网络的连接模型 | 第39-40页 |
| 3.1.3 神经网络工作方式 | 第40-41页 |
| 3.1.4 神经网络特点 | 第41页 |
| 3.1.5 烧结矿FeO含量预测神经网络选择 | 第41-42页 |
| 3.2 BP神经网络预测FeO含量 | 第42-48页 |
| 3.2.1 BP神经网络学习算法 | 第42-44页 |
| 3.2.2 BP神经网络结构的确定 | 第44页 |
| 3.2.3 BP神经网络建模 | 第44-45页 |
| 3.2.4 BP神经网络计算与分析 | 第45-48页 |
| 3.3 RBF神经网络预测FeO含量 | 第48-55页 |
| 3.3.1 背景与理论基础 | 第48-49页 |
| 3.3.2 RBF神经网络模型 | 第49-51页 |
| 3.3.3 RBF神经网络学习算法 | 第51-53页 |
| 3.3.4 RBF神经网络建模与求解 | 第53-55页 |
| 3.4 SVM预测FeO含量 | 第55-58页 |
| 3.4.1 SVM的基本思想 | 第55-56页 |
| 3.4.2 SVM的实现 | 第56-57页 |
| 3.4.3 SVM建模与求解 | 第57-58页 |
| 3.5 三种预测方法对比 | 第58-60页 |
| 3.6 小结 | 第60-61页 |
| 第4章 FeO预测模型的应用 | 第61-69页 |
| 4.1 预测FeO含量 | 第61页 |
| 4.2 单因素影响 | 第61-63页 |
| 4.3 两因素影响 | 第63-69页 |
| 第5章 结论 | 第69-71页 |
| 参考文献 | 第71-75页 |
| 致谢 | 第75-77页 |
| 攻读硕士期间所发表的学术论文 | 第77页 |
