摘要 | 第1-5页 |
ABSTRACT | 第5-10页 |
第一章 绪论 | 第10-22页 |
·论文研究的目的和意义 | 第10-11页 |
·现代高炉冶炼流程简介 | 第11-12页 |
·炉温概念与高炉冶炼过程对炉温预测的要求 | 第12-13页 |
·国际国内的研究情况和进展 | 第13-18页 |
·论文的主要内容 | 第18页 |
参考文献 | 第18-22页 |
第二章 铁水含硅量序列的非线性和确定性分析 | 第22-44页 |
·高炉铁水含硅量序列的非线性检验 | 第22-30页 |
·非线性的定量判别——替代数据法 | 第22-26页 |
·基于信息理论的非线性定性判别 | 第26-30页 |
·高炉铁水含硅量序列的平稳性分析 | 第30-36页 |
·[Si]时间序列的平稳性非参数检验 | 第31-32页 |
·[Si]序列非平稳性成因的探测 | 第32-36页 |
·高炉铁水含硅量的确定性分析 | 第36-40页 |
·相空间重构参数的确定 | 第36-38页 |
·DVV算法分析及仿真 | 第38-40页 |
·本章小结 | 第40-41页 |
参考文献 | 第41-44页 |
第三章 单变量时间序列的铁水含硅量预测模型 | 第44-74页 |
·基于经验模式分解的铁水含硅量预测 | 第44-62页 |
·经验模式分解的基本原理 | 第45-47页 |
·经验模式分解的典型问题及其解决 | 第47-49页 |
·铁水含硅量序列的经验模式分解 | 第49-51页 |
·Lemple-Ziv复杂度分析 | 第51-53页 |
·多分辨率支持向量机预测模型 | 第53-62页 |
·Volterra自适应预测 | 第62-69页 |
·Volterra级数简介 | 第62-63页 |
·Hopfield神经网络优化Volterra级数系数建模 | 第63-68页 |
·铁水含硅量的Volterra自适应预测仿真结果 | 第68-69页 |
·本章小结 | 第69-70页 |
参考文献 | 第70-74页 |
第四章 高炉铁水含硅量序列的主因素分析 | 第74-94页 |
·铁水含硅量及其影响因素的灰色关联度分析 | 第74-76页 |
·粗糙集理论基础 | 第76-81页 |
·信息系统 | 第76页 |
·不可分辨关系 | 第76-77页 |
·近似集和边界区 | 第77-78页 |
·属性集的依赖度和属性的重要性 | 第78页 |
·属性约简和约简核 | 第78-79页 |
·区分矩阵和区分函数 | 第79-81页 |
·基于可变精度粗糙集的属性约简算法 | 第81-84页 |
·可变精度粗糙集模型 | 第81-83页 |
·属性约简的贪婪算法 | 第83-84页 |
·高炉铁水含硅量影响因素的属性约简 | 第84-91页 |
·连续属性的离散化 | 第84-89页 |
·基于权重累积评价因子的粗糙集动态约简算法 | 第89-91页 |
·可变精度指标β的确定 | 第91页 |
·本章小结 | 第91-92页 |
参考文献 | 第92-94页 |
第五章 多变量时间序列的铁水含硅量预测模型 | 第94-122页 |
·铁水[Si]序列的集员辨识和预测 | 第94-111页 |
·集员辨识简介 | 第95页 |
·集员预测的理论基础 | 第95-103页 |
·集员预测算法构造 | 第103-107页 |
·[Si]序列的集员预报仿真 | 第107-111页 |
·基于遗传程序设计的铁水[Si]序列预测 | 第111-119页 |
·遗传程序设计简介 | 第112-113页 |
·遗传程序设计的算法和遗传操作 | 第113-117页 |
·遗传程序设计的数据仿真 | 第117-119页 |
·本章小结 | 第119页 |
参考文献 | 第119-122页 |
第六章 结论与展望 | 第122-126页 |
·研究获取的主要结论 | 第122-123页 |
·后续研究的展望 | 第123-126页 |
攻读博士学位期间完成的论文 | 第126-128页 |
致谢 | 第128页 |