| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第9-19页 |
| 1.1 课题研究的背景及意义 | 第9-10页 |
| 1.2 国内外高炉炉温预测现状 | 第10-13页 |
| 1.3 高炉炉温预测的价值与难度 | 第13-14页 |
| 1.3.1 高炉炉温预测的价值 | 第13-14页 |
| 1.3.2 高炉炉温预测的难度 | 第14页 |
| 1.4 高炉炼铁过程的工艺参数 | 第14-17页 |
| 1.4.1 状态参数 | 第15-16页 |
| 1.4.2 控制参数 | 第16-17页 |
| 1.5 论文的研究目标及内容安排 | 第17-19页 |
| 1.5.1 本文研究的内容 | 第17-18页 |
| 1.5.2 本文的组织结构 | 第18-19页 |
| 第二章 模糊分布式模型理论基础 | 第19-37页 |
| 2.1 模糊系统的聚类划分 | 第19-22页 |
| 2.1.1 减法聚类 | 第19-20页 |
| 2.1.2 模糊 C 均值聚类算法 | 第20-21页 |
| 2.1.3 自组织神经网络聚类算法 | 第21-22页 |
| 2.2 人工神经网络 | 第22-33页 |
| 2.2.1 人工神经网络的发展 | 第22-23页 |
| 2.2.2 人工神经网络特点 | 第23页 |
| 2.2.3 人工神经元模型 | 第23-27页 |
| 2.2.4 人工神经网络模型拓扑结构 | 第27-29页 |
| 2.2.5 人工神经网络的运行过程 | 第29-30页 |
| 2.2.6 神经网络的衍生及其改进算法 | 第30-33页 |
| 2.3 模糊分布式神经网络模型 | 第33-36页 |
| 2.3.1 输入输出样本空间分类 | 第34页 |
| 2.3.2 建立神经网络子模型 | 第34-35页 |
| 2.3.3 多个子模型的连接 | 第35-36页 |
| 2.4 本章小结 | 第36-37页 |
| 第三章 模糊分布式神经网络预测建模 | 第37-50页 |
| 3.1 高炉炉温预测数据处理 | 第37-41页 |
| 3.1.1 高炉现场数据的采集 | 第37页 |
| 3.1.2 高炉现场数据异常值处理 | 第37-38页 |
| 3.1.3 高炉现场数据相关性分析 | 第38-39页 |
| 3.1.4 高炉现场数据时滞分析 | 第39-41页 |
| 3.2 铁水硅含量与铁水温度模型预测对比研究 | 第41-43页 |
| 3.2.1 铁水硅含量预测 | 第42页 |
| 3.2.2 铁水温度预测 | 第42-43页 |
| 3.2.3 铁水硅含量与铁水温度预测效果对比 | 第43页 |
| 3.3 模糊分布式神经网络仿真研究 | 第43-49页 |
| 3.3.1 基于 FCM 的分布式 BP 神经网络模型 | 第45-46页 |
| 3.3.2 基于 FCM 的分布式 RBF 神经网络模型 | 第46-47页 |
| 3.3.3 基于自组织神经网络的分布式 BP 神经网络模型 | 第47-48页 |
| 3.3.4 基于自组织神经网络的分布式 RBF 神经网络模型 | 第48-49页 |
| 3.4 讨论与结论 | 第49-50页 |
| 第四章 粒子群算法优化神经网络 | 第50-56页 |
| 4.1 粒子群优化算法 | 第50-53页 |
| 4.1.1 粒子群算法原理 | 第50-51页 |
| 4.1.2 粒子群算法参数设置 | 第51-52页 |
| 4.1.3 粒子群算法流程 | 第52-53页 |
| 4.2 粒子群算法与人工神经网络 | 第53-55页 |
| 4.2.1 粒子群优化神经网络训练算法 | 第53-54页 |
| 4.2.2 粒子群优化模糊分布式神经网络模型仿真 | 第54-55页 |
| 4.3 本章小结 | 第55-56页 |
| 结论 | 第56-57页 |
| 参考文献 | 第57-61页 |
| 附录 A 建模仿真图 | 第61-65页 |
| 在学研究成果 | 第65-66页 |
| 致谢 | 第66页 |
