| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 课题背景及意义 | 第11-12页 |
| 1.1.1 课题背景 | 第11-12页 |
| 1.1.2 课题意义 | 第12页 |
| 1.2 高炉炼铁炉温预测国内外研究现状 | 第12-16页 |
| 1.3 论文主要研究内容 | 第16-17页 |
| 第2章 高炉冶炼过程复杂性及出铁沟铁水温度分析 | 第17-25页 |
| 2.1 高炉冶炼过程复杂性分析 | 第17-21页 |
| 2.1.1 高炉冶炼工艺过程 | 第17-18页 |
| 2.1.2 高炉冶炼过程的复杂性 | 第18页 |
| 2.1.3 炉内热化学反应及流体运动分析 | 第18-21页 |
| 2.2 出铁沟铁水温度连测曲线分析 | 第21-22页 |
| 2.3 出铁沟铁水温降分析 | 第22-23页 |
| 2.4 本章小结 | 第23-25页 |
| 第3章 高炉冶炼过程的铁水温度相关参数分析 | 第25-41页 |
| 3.1 高炉冶炼过程的工艺参数 | 第25-30页 |
| 3.1.1 状态参数 | 第26-27页 |
| 3.1.2 控制参数 | 第27-30页 |
| 3.2 参数的相关性分析 | 第30-32页 |
| 3.2.1 铁水温度的自相关性 | 第30-31页 |
| 3.2.2 工艺参数的相关性 | 第31-32页 |
| 3.3 参数对铁水温度时滞分析 | 第32-40页 |
| 3.3.1 高炉时滞现象 | 第32-34页 |
| 3.3.2 参数与铁水温度间的滞后时间分析 | 第34-40页 |
| 3.4 本章小结 | 第40-41页 |
| 第4章 基于遗传神经网络的铁水温度预报模型 | 第41-53页 |
| 4.1 预报模型结构的确定 | 第41-42页 |
| 4.1.1 参数的选取 | 第41页 |
| 4.1.2 预报模型各层的确定 | 第41-42页 |
| 4.2 数据的选择与规范化 | 第42-44页 |
| 4.2.1 数据的选择与清洗 | 第42-43页 |
| 4.2.2 数据的规范化 | 第43-44页 |
| 4.3 遗传算法概述 | 第44页 |
| 4.4 遗传神经网络的算法设计 | 第44-49页 |
| 4.4.1 编码问题 | 第44-45页 |
| 4.4.2 适应度函数的确定 | 第45页 |
| 4.4.3 遗传操作 | 第45-47页 |
| 4.4.4 算法的实现步骤 | 第47-49页 |
| 4.5 铁水温度预报结果及比较 | 第49-51页 |
| 4.6 本章小结 | 第51-53页 |
| 第5章 基于量子思想的GABP预报模型改进研究 | 第53-73页 |
| 5.1 GABP预报模型算法局限性分析 | 第53页 |
| 5.2 运用量子理论对GABP模型改进 | 第53-54页 |
| 5.3 基于遗传算法优化量子神经网络的铁水温度预报模型 | 第54-63页 |
| 5.3.1 量子神经网络基础 | 第54-56页 |
| 5.3.2 量子神经网络设计 | 第56-61页 |
| 5.3.3 铁水温度预报结果及比较 | 第61-63页 |
| 5.4 基于量子遗传算法优化神经网络的铁水温度预报模型 | 第63-70页 |
| 5.4.1 量子遗传算法 | 第63页 |
| 5.4.2 量子遗传算法设计 | 第63-68页 |
| 5.4.3 铁水温度预报结果及比较 | 第68-70页 |
| 5.5 基于量子遗传神经网络的铁水温度预报模型 | 第70-72页 |
| 5.5.1 量子遗传神经网络 | 第70页 |
| 5.5.2 铁水温度预报结果及比较 | 第70-72页 |
| 5.6 本章小结 | 第72-73页 |
| 第6章 结论与展望 | 第73-75页 |
| 6.1 结论 | 第73页 |
| 6.2 展望 | 第73-75页 |
| 参考文献 | 第75-79页 |
| 致谢 | 第79页 |