基于神经网络的高炉铁水硅含量建模
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 课题研究背景及意义 | 第10-12页 |
| 1.2 课题研究现状 | 第12-15页 |
| 1.2.1 国外发展情况 | 第12-13页 |
| 1.2.2 国内发展情况 | 第13-15页 |
| 1.3 课题研究内容 | 第15-17页 |
| 第2章 炉温预测相关数据量的分析处理 | 第17-25页 |
| 2.1 炉温[Si]预报模型输入量的选取 | 第17-20页 |
| 2.1.1 基于专家经验的输入变量选取 | 第18页 |
| 2.1.2 基于数据分析的输入变量选取 | 第18-20页 |
| 2.2 滞后时间的确定 | 第20-21页 |
| 2.3 数据预处理 | 第21-24页 |
| 2.3.1 一次数据预处理 | 第21-22页 |
| 2.3.2 二次数据预处理 | 第22-23页 |
| 2.3.3 数据归一化处理 | 第23-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第3章 BP神经网络的改进设计 | 第25-38页 |
| 3.1 基本的BP神经网络算法 | 第26-29页 |
| 3.2 BP神经网络迭代求解算法的设计 | 第29-32页 |
| 3.2.1 附加动量法 | 第30-31页 |
| 3.2.2 自适应学习速率 | 第31-32页 |
| 3.2.3 动量-自适应学习速率调整算法 | 第32页 |
| 3.3 BP神经网络结构的设计 | 第32-33页 |
| 3.3.1 网络的层数 | 第32页 |
| 3.3.2 隐含层的神经元数 | 第32-33页 |
| 3.3.3 初始权值的选取 | 第33页 |
| 3.3.4 学习速率 | 第33页 |
| 3.4 数据仿真 | 第33-37页 |
| 3.5 本章小结 | 第37-38页 |
| 第4章 极值学习机网络的改进设计 | 第38-53页 |
| 4.1 SLFN的统一模型 | 第38-39页 |
| 4.2 极值学习机原理 | 第39-41页 |
| 4.3 正则化极值学习机 | 第41-43页 |
| 4.4 数据仿真 | 第43-51页 |
| 4.5 本章小结 | 第51-53页 |
| 结论 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 致谢 | 第58页 |
