| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 回转窑建模方法的研究现状 | 第11-12页 |
| 1.2.2 深度神经网络相关研究现状 | 第12-13页 |
| 1.2.3 递归神经网络研究现状 | 第13-15页 |
| 1.3 论文主要研究内容及结构 | 第15-17页 |
| 第2章 递归神经网络相关研究 | 第17-26页 |
| 2.1 递归神经网络的发展 | 第17-18页 |
| 2.2 递归神经网络 | 第18-23页 |
| 2.2.1 递归神经网络模型 | 第18-19页 |
| 2.2.2 长短时记忆网络 | 第19-21页 |
| 2.2.3 门限控制网络 | 第21-23页 |
| 2.3 递归神经网络应用于窑内烧结温度预测的必要性分析 | 第23-25页 |
| 2.3.1 回转窑烧结温度的影响因素 | 第23-24页 |
| 2.3.2 回转窑烧结温度预测方法研究 | 第24-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第3章 一种新的双向递归神经网络模型 | 第26-35页 |
| 3.1 双向递归神经网络 | 第26-27页 |
| 3.2 深度双向加权GRU | 第27-29页 |
| 3.2.1 多层双向门控递归神经网络模型 | 第27-29页 |
| 3.2.2 深度双向加权GRU模型 | 第29页 |
| 3.3 模型的最优化方法选择 | 第29-30页 |
| 3.4 实验平台选择 | 第30-32页 |
| 3.5 Lorenz时间序列预测 | 第32-34页 |
| 3.6 本章小结 | 第34-35页 |
| 第4章 基于偏移补偿的双向加权GRU烧结温度预测 | 第35-45页 |
| 4.1 回转窑内热工数据的提取及数据预处理 | 第35-39页 |
| 4.1.1 回转窑内热工数据的提取 | 第35-36页 |
| 4.1.2 数据预处理 | 第36-39页 |
| 4.1.2.1 离群点检测 | 第37-38页 |
| 4.1.2.2 小波变换去噪 | 第38-39页 |
| 4.2 特征数据处理 | 第39-42页 |
| 4.2.1 特征数据降维 | 第39-42页 |
| 4.2.2 热工变量的时序延迟 | 第42页 |
| 4.3 基于偏移补偿的双向加权GRU预测模型 | 第42-44页 |
| 4.3.1 基于深度双向加权GRU的预测模型 | 第42-43页 |
| 4.3.2 偏移补偿 | 第43-44页 |
| 4.4 本章小结 | 第44-45页 |
| 第5章 烧结温度预测结果及分析 | 第45-51页 |
| 5.1 模型关键参数 | 第45页 |
| 5.2 实验结果分析 | 第45-50页 |
| 5.3 本章小结 | 第50-51页 |
| 总结与展望 | 第51-53页 |
| 参考文献 | 第53-59页 |
| 附录A 攻读学位期间所发表的学术成果目录 | 第59-60页 |
| 附录B 攻读硕士学位期间参研项目 | 第60-61页 |
| 致谢 | 第61页 |