| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第8-16页 |
| 1.1 课题背景与研究意义 | 第8-9页 |
| 1.2 高炉炼铁的生产特点 | 第9-10页 |
| 1.3 国内外研究现状和进展 | 第10-14页 |
| 1.4 本文研究内容 | 第14-16页 |
| 2 高炉冶炼过程机理分析 | 第16-27页 |
| 2.1 高炉炼铁流程 | 第16-18页 |
| 2.1.1 高炉的结构 | 第16-17页 |
| 2.1.2 高炉炼铁生产过程 | 第17-18页 |
| 2.2 高炉喷吹煤粉 | 第18-24页 |
| 2.2.1 高炉喷吹技术的发展 | 第18-20页 |
| 2.2.2 煤粉喷吹原理 | 第20页 |
| 2.2.3 喷吹煤粉后的影响 | 第20-24页 |
| 2.3 高炉冶炼过程中的参数 | 第24-26页 |
| 2.4 本章小结 | 第26-27页 |
| 3 数据预处理 | 第27-31页 |
| 3.1 数据的筛选 | 第27-28页 |
| 3.1.1 异常炉况的剔除 | 第27-28页 |
| 3.1.2 优良数据的提取 | 第28页 |
| 3.2 相关性分析 | 第28-29页 |
| 3.3 数据的平滑 | 第29-30页 |
| 3.4 异步采样率的处理 | 第30页 |
| 3.5 数据的归一化 | 第30页 |
| 3.6 本章小结 | 第30-31页 |
| 4 支持向量机 | 第31-38页 |
| 4.1 用于分类的 SVM 算法 | 第31-33页 |
| 4.2 用于回归的 SVM 算法 | 第33-35页 |
| 4.3 非线性支持向量机 | 第35-36页 |
| 4.4 支持向量机核函数 | 第36-37页 |
| 4.5 本章小结 | 第37-38页 |
| 5 基于支持向量机的炉温趋势分类模型 | 第38-45页 |
| 5.1 炉温趋势概述 | 第38-40页 |
| 5.2 基于概率神经网络的炉温趋势分类模型 | 第40-42页 |
| 5.2.1 概率神经网络 | 第40-41页 |
| 5.2.2 模型的建立与仿真 | 第41-42页 |
| 5.3 基于支持向量机的炉温趋势分类模型 | 第42-44页 |
| 5.3.1 支持向量机多分类 | 第42-43页 |
| 5.3.2 模型的建立与仿真 | 第43-44页 |
| 5.4 本章小结 | 第44-45页 |
| 6 基于炉温趋势的多支持向量机的高炉喷煤量预测模型 | 第45-52页 |
| 6.1 基于 BP 神经网络的高炉喷煤量预测模型 | 第45-47页 |
| 6.1.1 BP 神经网络 | 第45-46页 |
| 6.1.2 模型的仿真与实现 | 第46-47页 |
| 6.2 基于支持向量机的高炉喷煤量预测模型 | 第47-49页 |
| 6.3 基于炉温趋势的多支持向量机高炉喷煤量预测模型 | 第49-52页 |
| 7 结论与展望 | 第52-54页 |
| 参考文献 | 第54-58页 |
| 在校科研成果 | 第58-59页 |
| 附录A 建模数据 | 第59-60页 |
| 附录B MATLAB 仿真程序 | 第60-63页 |
| 致谢 | 第63页 |