| 中文摘要 | 第1-5页 |
| Abstract | 第5-10页 |
| 1 绪论 | 第10-17页 |
| 1．1 课题的来源及研究的目的和意义 | 第10-12页 |
| 1．1．1 课题的来源 | 第10页 |
| 1．1．2 研究的目的和意义 | 第10-12页 |
| 1．1．2．1 钒的重要价值 | 第10-11页 |
| 1．1．2．2 国内外提钒方法 | 第11页 |
| 1．1．1．3 攀西的钒资源状况及我国提钒技术的历史和现状 | 第11-12页 |
| 1．1．1．4 建立静态模型的必要性和可能性 | 第12页 |
| 1．2 国内外研究现状 | 第12-16页 |
| 1．2．1 转炉模型的研究历史 | 第12-13页 |
| 1．2．2 传统转炉控制模型 | 第13-14页 |
| 1．2．3 现代转炉控制模型及其发展方向 | 第14页 |
| 1．2．3．1 模型的自学习、自适应 | 第14页 |
| 1．2．4 计算智能建模方法 | 第14-16页 |
| 1．3 本文的主要工作 | 第16-17页 |
| 2 转炉提钒的基本原理和转炉提钒工艺概述 | 第17-23页 |
| 2．1 铁水提钒过程的主要反应 | 第17-18页 |
| 2．2．1 铁水中元素氧化的ΔGθ－T图 | 第17-18页 |
| 2．1．2 转化温度的范围 | 第18页 |
| 2．1．3 铁质初渣与金属熔体间的氧化反应 | 第18页 |
| 2．2 影响提钒的主要因素 | 第18-20页 |
| 2．2．1 铁水成分的影响 | 第18页 |
| 2．2．2 吹炼终点温度对钒渣中全铁含量的影响 | 第18-19页 |
| 2．2．3 冷却剂的种类、加入量和加入时间的影响 | 第19页 |
| 2．2．4 供氧制度的影响 | 第19-20页 |
| 2．2．4．1 耗氧量 | 第19页 |
| 2．2．4．2 供氧强度 | 第19页 |
| 2．2．4．3 供氧压力和枪位 | 第19-20页 |
| 2．3 转炉提钒工艺 | 第20-23页 |
| 2．3．1 概述 | 第20页 |
| 2．3．2 转炉提钒用原料 | 第20-21页 |
| 2．3．2．1 含钒铁水 | 第20-21页 |
| 2．3．2．2 辅助原料 | 第21页 |
| 2．3．2．3 其它材料 | 第21页 |
| 2．3．3 提钒工艺过程 | 第21-23页 |
| 2．3．3．1 撇渣 | 第21-22页 |
| 2．3．3．2 吹钒 | 第22-23页 |
| 3 RBF神经网络原理及其在建立转炉提钒终点预报模型中的应用 | 第23-49页 |
| 3．1 系统方案和参数选择 | 第23-25页 |
| 3．2 RBF神经网络建模原理 | 第25-35页 |
| 3．2．1 神经网络的特点 | 第25-26页 |
| 3．2．2 RBF神经网络的数据准备过程 | 第26-28页 |
| 3．2．3 RBF神经网络算法 | 第28-35页 |
| 3．3 RBF神经网络在建立转炉提钒终点预报模型中的应用研究 | 第35-49页 |
| 3．3．1 神经元数目和Spread对RBF网络训练集逼近效果影响的研究 | 第36-41页 |
| 3．3．1．1 神经元个数对RBF网络训练集逼近效果的影响 | 第36-39页 |
| 3．3．1．2 Spread对RBF网络训练集逼近效果的影响 | 第39-41页 |
| 3．3．2 RBF网络模型对外部测试集的拟合效果研究 | 第41-48页 |
| 3．3．3 用RBF神经网络建立静态模型的总结 | 第48-49页 |
| 4 泛化理论及用遗传算法优化RBF网络模型泛化能力的研究 | 第49-65页 |
| 4．1 泛化理论 | 第49-53页 |
| 4．1．1 多层前向网泛化理论研究的主要问题 | 第49页 |
| 4．1．2 神经网络的泛化能力与网络结构复杂性和样本数的关系 | 第49-50页 |
| 4．1．3 样本质量、先验知识和学习时间对泛化能力的影响 | 第50页 |
| 4．1．4 泛化方法 | 第50-51页 |
| 4．1．5 本文采用的泛化方法：最优停止法 | 第51-53页 |
| 4．1．5．1 误差要求对滤除噪声影响的作用 | 第51页 |
| 4．1．5．2 神经元数目对滤除噪声影响的作用 | 第51-52页 |
| 4．1．5．3 Spread对滤除噪声影响的作用 | 第52-53页 |
| 4．1．6 最优停止点的求取 | 第53页 |
| 4．2 遗传算法及其在RBF网络参数优化中的应用 | 第53-65页 |
| 4．2．1 遗传算法原理 | 第53-55页 |
| 4．2．1．1 简单遗传算法 | 第53-54页 |
| 4．2．1．2 遗传算法的基本特征 | 第54-55页 |
| 4．2．2 本课题设计方法 | 第55-60页 |
| 4．2．2．1 编码方案 | 第55-56页 |
| 4．2．2．2 适应性的度量 | 第56-57页 |
| 4．2．2．3 选择策略 | 第57-58页 |
| 4．2．2．4 遗传算子的设计 | 第58-59页 |
| 4．2．2．5 控制参数的选取及终止准则的选择 | 第59-60页 |
| 4．2．3 优化系统算法框图 | 第60页 |
| 4．2．4 使用遗传算法对神经网络参数进行优化 | 第60-65页 |
| 4．2．4．1 遗传算法的收敛过程 | 第60-62页 |
| 4．2．4．2 用优化后的RBF神经网络参数建模的效果 | 第62-65页 |
| 5 结论与展望 | 第65-66页 |
| 致谢 | 第66-67页 |
| 参考文献 | 第67-68页 |
