| 中文摘要 | 第4-5页 |
| 英文摘要 | 第5页 |
| 1 绪 论 | 第8-15页 |
| 1.1 课题来源 | 第8-9页 |
| 1.2 国内外钢铁控制模型的研究现状 | 第9页 |
| 1.3 高炉热状态的主要影响因素 | 第9-11页 |
| 1.4 时态数据挖掘 | 第11-13页 |
| 1.4.1 时态数据挖掘 | 第11-12页 |
| 1.4.2 历史和现状 | 第12页 |
| 1.4.3 研究的必要性 | 第12-13页 |
| 1.5 数据挖掘在高炉热状态预测模型建立中的可行性分析 | 第13页 |
| 1.6 本论文的研究内容及目标 | 第13-15页 |
| 2 时态数据挖掘与时序分析研究 | 第15-23页 |
| 2.1时态数据挖掘 | 第15-16页 |
| 2.1.1 时态数据的类型 | 第15页 |
| 2.1.2 时态数据挖掘分类 | 第15-16页 |
| 2.2时间序列数据挖掘 | 第16-18页 |
| 2.3几种主要的时序分析技术 | 第18-21页 |
| 2.3.1 随机时序分析 | 第18-19页 |
| 2.3.2 状态空间重构 | 第19-21页 |
| 2.3.3 神经网络 | 第21页 |
| 2.4 时序预测问题分析 | 第21-23页 |
| 3 神经网络理论基础 | 第23-39页 |
| 3.1 神经网络概述 | 第23-24页 |
| 3.2 神经网络的基本原理 | 第24-27页 |
| 3.2.1 神经元的生物学解剖 | 第24-26页 |
| 3.2.2神经元的信息处理与传递 | 第26-27页 |
| 3.3 人工神经网络的构成 | 第27-28页 |
| 3.4 RBF 网络简介 | 第28-31页 |
| 3.5 RBF 的学习算法 | 第31-39页 |
| 3.5.1 RBF的离线学习算法 | 第31-35页 |
| 3.5.2 RBF的在线学习算法 | 第35-39页 |
| 4 RRBF神经网络 | 第39-49页 |
| 4.1 动态过程神经网络模型 | 第39-41页 |
| 4.2 RRBF的结构 | 第41-45页 |
| 4.3 RRBF的训练算法 | 第45页 |
| 4.4 算法流程图 | 第45-46页 |
| 4.5 算法仿真 | 第46-49页 |
| 5 基于RRBF的高炉热状态模型 | 第49-56页 |
| 5.1 模型控制参数和指标 | 第49-50页 |
| 5.2 数据的选择与规范化 | 第50-51页 |
| 5.2.1 数据的选择与清洗 | 第50-51页 |
| 5.2.2 数据的规范化 | 第51页 |
| 5.3 基于RRBF结构的高炉热状态预测模型 | 第51-53页 |
| 5.4 仿真结果与分析 | 第53-56页 |
| 5.4.1 实验环境 | 第53-54页 |
| 5.4.2 仿真结果 | 第54-56页 |
| 6 结论与展望 | 第56-57页 |
| 致 谢 | 第57-58页 |
| 参 考 文 献 | 第58-61页 |