| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第1章 绪论 | 第10-20页 |
| ·引言 | 第10-11页 |
| ·建模方法概述 | 第11-15页 |
| ·基于机理的传统建模方法 | 第11页 |
| ·基于数据驱动的建模方法 | 第11-14页 |
| ·多模型建模方法 | 第14-15页 |
| ·电弧炉终点预报方法 | 第15-18页 |
| ·基于机理模型的方法 | 第15-16页 |
| ·增量模型预报方法 | 第16-17页 |
| ·基于人工智能的建模方法 | 第17-18页 |
| ·本文主要工作 | 第18-20页 |
| 第2章 多模型建模方法概述 | 第20-32页 |
| ·多模型理论 | 第20-21页 |
| ·多模型原理 | 第21-23页 |
| ·多模型建模方法步骤 | 第23-25页 |
| ·常用的多模型建模方法 | 第25-29页 |
| ·建模数据的分类方法 | 第25-26页 |
| ·子模型所用的建模方法 | 第26页 |
| ·子模型的融合方法 | 第26-29页 |
| ·多模型建模存在的难点 | 第29-30页 |
| ·本章小结 | 第30-32页 |
| 第3章 多模型的融合方法 | 第32-46页 |
| ·子模型的建立 | 第32-39页 |
| ·基于FCM算法确定子模型个数 | 第32-33页 |
| ·基于BP神经网络建立子模型 | 第33-39页 |
| ·贝叶斯融合算法 | 第39-44页 |
| ·加权融合 | 第39-40页 |
| ·加权系数的确定方法 | 第40-41页 |
| ·贝叶斯加权融合算法 | 第41-44页 |
| ·仿真实验 | 第44-45页 |
| ·本章小结 | 第45-46页 |
| 第4章 基于多模型融合技术的电弧炉钢水终点温度预报模型 | 第46-62页 |
| ·电弧炉终点温度预报的建模思想 | 第46-50页 |
| ·问题的提出 | 第46页 |
| ·电弧炉炼钢工艺 | 第46-48页 |
| ·影响钢水温度的主要因素 | 第48-50页 |
| ·基于多模型加权融合方法的建模过程 | 第50-55页 |
| ·样本数据的选择和处理 | 第50页 |
| ·聚类数的确定 | 第50-52页 |
| ·BP网络的子模型结构 | 第52-54页 |
| ·多模型加权融合 | 第54-55页 |
| ·MATLAB实现及对比 | 第55-60页 |
| ·本章小结 | 第60-62页 |
| 第5章 总结与展望 | 第62-64页 |
| ·结论 | 第62页 |
| ·展望 | 第62-64页 |
| 参考文献 | 第64-70页 |
| 致谢 | 第70页 |