| 摘要 | 第3-5页 |
| Abstract | 第5-7页 |
| 1 引言 | 第10-20页 |
| 1.1 高炉炼铁工艺的智能化控制概述 | 第10-13页 |
| 1.1.1 高炉炼铁工艺的复杂性 | 第10-12页 |
| 1.1.2 高炉炼铁的工艺参数 | 第12-13页 |
| 1.2 高炉铁水温度建模的重要意义 | 第13-15页 |
| 1.2.1 高炉铁水温度建模的重要性 | 第13-14页 |
| 1.2.2 高炉出铁时铁水温度的检测 | 第14-15页 |
| 1.3 基于数据挖掘的高炉铁水温度建模概述 | 第15-17页 |
| 1.3.1 数据挖掘的发展及其应用 | 第15-16页 |
| 1.3.2 基于数据挖掘的数学建模 | 第16-17页 |
| 1.4 本论文研究的主要内容 | 第17-20页 |
| 2 多元数学建模基本理论 | 第20-25页 |
| 2.1 T-S 模糊多元回归理论 | 第20-21页 |
| 2.2 多元时间序列模型 | 第21-25页 |
| 2.2.1 高炉炉温多元 AR ( p )的稳定性 | 第22-23页 |
| 2.2.2 模糊多元时间序列模型 | 第23-25页 |
| 3 高炉铁水温度数据预处理 | 第25-31页 |
| 3.1 异常值（Outlier）的检验 | 第25-26页 |
| 3.2 缺损值的补足 | 第26-27页 |
| 3.3 数据归一化处理 | 第27页 |
| 3.4 数据的相关性分析 | 第27-29页 |
| 3.5 变量时滞的确定 | 第29-31页 |
| 4 高炉铁水温度建模与优化 | 第31-63页 |
| 4.1 高炉铁水温度的 TS 模糊模型 | 第32-40页 |
| 4.1.1 TS 模糊多元模型理论 | 第32-33页 |
| 4.1.2 TS 模糊建模 | 第33-40页 |
| 4.2 TS 模糊神经网络建模 | 第40-45页 |
| 4.2.1 TS 模糊神经网络模型 | 第40-42页 |
| 4.2.2 TS 模糊神经网络建模 | 第42-45页 |
| 4.3 BP 神经网络建模与优化 | 第45-54页 |
| 4.3.1 BP 算法的建模 | 第45-48页 |
| 4.3.2 遗传算法优化 BP 神经网络建模 | 第48-52页 |
| 4.3.3 粒子群算法优化 BP 神经网络建模 | 第52-54页 |
| 4.4 小波神经网络(Wavelet Neural Network, WNN)建模 | 第54-58页 |
| 4.4.1 小波神经网络基本理论 | 第55-56页 |
| 4.4.2 小波神经网络建模 | 第56-58页 |
| 4.5 各模型的性能比较 | 第58-60页 |
| 4.6 本章小结 | 第60-63页 |
| 结论 | 第63-65页 |
| 参考文献 | 第65-69页 |
| 附录 A 建模数据 | 第69-71页 |
| 附录 B MATLAB 仿真部分程序 | 第71-72页 |
| 在学研究成果 | 第72-73页 |
| 致谢 | 第73页 |