| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第10-20页 |
| 1.1 课题背景 | 第10页 |
| 1.2 影响高炉喷煤的工艺参数 | 第10-14页 |
| 1.3 高炉喷煤优化控制的意义 | 第14页 |
| 1.4 课题研究背景及研究现状 | 第14-18页 |
| 1.4.1 课题研究背景 | 第14-15页 |
| 1.4.2 课题研究现状 | 第15-18页 |
| 1.5 课题主要研究内容 | 第18-20页 |
| 2 人工神经网络基本理论 | 第20-28页 |
| 2.1 人工神经网络基本原理 | 第20-22页 |
| 2.1.1 神经网络的关系模型 | 第20-21页 |
| 2.1.2 神经网络的基本特征 | 第21页 |
| 2.1.3 神经网路的学习 | 第21-22页 |
| 2.2 BP 网络算法 | 第22-28页 |
| 2.2.1 BP 网络的学习 | 第22-24页 |
| 2.2.2 BP 网络算法推导 | 第24-25页 |
| 2.2.3 BP 网络算法步骤 | 第25-26页 |
| 2.2.4 BP 网络算法流程图 | 第26页 |
| 2.2.5 BP 网络算法的改进 | 第26-28页 |
| 3 数据预处理 | 第28-33页 |
| 3.1 数据集成 | 第29页 |
| 3.2 数据清理 | 第29-31页 |
| 3.2.1 剔除异常值 | 第29-30页 |
| 3.2.2 填充缺失值 | 第30-31页 |
| 3.3 数据变换 | 第31页 |
| 3.4 变量相关性分析 | 第31-33页 |
| 4 铁水[si]含量预测神经网络模型设计 | 第33-46页 |
| 4.1 Matlab 程序设计语言简介 | 第33-34页 |
| 4.1.1 Matlab 设计语言 | 第33-34页 |
| 4.1.2 Matlab 中 BP 神经网络的实现 | 第34页 |
| 4.2 变量的选取 | 第34-35页 |
| 4.3 时滞的确定 | 第35-37页 |
| 4.4 BP 神经网络预测模型的建立 | 第37-46页 |
| 4.4.1 网络的选择 | 第37页 |
| 4.4.2 参数的设置 | 第37-41页 |
| 4.4.3 网络建模数据流程图 | 第41-42页 |
| 4.4.4 网络的建立 | 第42-46页 |
| 5 高炉喷煤综合工艺指标评判及操作模式分级匹配 | 第46-55页 |
| 5.1 综合工艺指标评判 | 第46-47页 |
| 5.1.1 变量的选取 | 第46页 |
| 5.1.2 优良模式集获取及工艺指标确定 | 第46-47页 |
| 5.2 操作模式分级匹配 | 第47-55页 |
| 5.2.1 操作模式相关定义 | 第47-48页 |
| 5.2.2 高炉喷煤过程操作模式分级匹配策略 | 第48页 |
| 5.2.3 优良操作模式库聚类 | 第48-51页 |
| 5.2.4 操作模式匹配 | 第51-54页 |
| 5.2.5 匹配结果分析 | 第54-55页 |
| 6 高炉喷煤过程操作模式演化 | 第55-65页 |
| 6.1 高炉喷煤过程操作模式演化框架 | 第55页 |
| 6.2 高炉喷煤冶炼过程综合工艺指标预测模型 | 第55-59页 |
| 6.2.1 综合工艺指标 BP 神经网络模型 | 第56页 |
| 6.2.2 仿真结果与分析 | 第56-59页 |
| 6.3 基于粒子群算法的操作参数寻优 | 第59-63页 |
| 6.3.1 粒子群算法 | 第59-60页 |
| 6.3.2 高炉喷煤过程操作参数寻优 | 第60-63页 |
| 6.4 仿真与分析 | 第63-65页 |
| 结论 | 第65-67页 |
| 参考文献 | 第67-71页 |
| 附录 A 建模数据 | 第71-72页 |
| 附录 B 建模数据 | 第72-73页 |
| 在学研究成果 | 第73-74页 |
| 致谢 | 第74页 |