| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第10-17页 |
| 1.1 课题研究的背景及意义 | 第10-11页 |
| 1.2 系统建模方法研究 | 第11-13页 |
| 1.2.1 数据驱动在工业领域的应用前景 | 第11-12页 |
| 1.2.2 模糊系统的建模方法 | 第12-13页 |
| 1.3 炉温预测的研究及应用现状 | 第13-14页 |
| 1.3.1 炉温预测的研究 | 第13页 |
| 1.3.2 国内外高炉炉温预测现状 | 第13-14页 |
| 1.4 论文的研究目标及内容安排 | 第14-17页 |
| 1.4.1 本文研究的内容 | 第14-15页 |
| 1.4.2 本文内容安排 | 第15-17页 |
| 2 高炉炼铁的过程控制及其工艺参数 | 第17-27页 |
| 2.1 高炉炼铁生产工艺流程 | 第17-18页 |
| 2.2 高炉炼铁过程控制的特点 | 第18-19页 |
| 2.3 影响炉温的工艺参数 | 第19-21页 |
| 2.4 炉温预测所需数据的处理和滞后分析 | 第21-27页 |
| 2.4.1 高炉数据预处理 | 第21-23页 |
| 2.4.2 高炉数据时滞分析 | 第23-27页 |
| 3 基于数据驱动方法的高炉模糊系统建模 | 第27-39页 |
| 3.1 模糊推理模型的选择及辨识 | 第27-29页 |
| 3.1.1 模糊推理模型 | 第27-28页 |
| 3.1.2 模糊模型的辨识 | 第28-29页 |
| 3.2 T-S 模型及其辨识算法 | 第29-33页 |
| 3.2.1 T-S 模糊模型的定义 | 第29-30页 |
| 3.2.2 基于模糊聚类辨识 T-S 模型的前件结构及参数 | 第30-31页 |
| 3.2.3 基于递推最小二乘法辨识 T-S 模型的后件参数 | 第31-33页 |
| 3.3 炉温预测模型的仿真研究 | 第33-38页 |
| 3.4 小结 | 第38-39页 |
| 4 模糊神经网络方法优化高炉系统模糊规则 | 第39-53页 |
| 4.1 模糊逻辑与神经网络 | 第39-40页 |
| 4.2 模糊神经网络优化的过程 | 第40-41页 |
| 4.3 ANFIS 模糊神经网络 | 第41-45页 |
| 4.3.1 基于网格的 ANFIS | 第42-44页 |
| 4.3.2 基于聚类的 ANFIS | 第44-45页 |
| 4.3.3 ANFIS 学习算法 | 第45页 |
| 4.4 网络模型优化学习 | 第45-48页 |
| 4.5 高炉系统规则优化仿真试验 | 第48-52页 |
| 4.6 本章小结 | 第52-53页 |
| 5 结论与展望 | 第53-55页 |
| 5.1 论文工作的结论 | 第53页 |
| 5.2 后续研究的展望 | 第53-55页 |
| 参考文献 | 第55-59页 |
| 附录 A 建模数据 | 第59-60页 |
| 在学研究成果 | 第60-61页 |
| 致谢 | 第61页 |