转炉火焰图像信息用于终点判断的建模及预测
| 摘要 | 第7-8页 |
| ABSTRACT | 第8-9页 |
| 插图索引 | 第10-11页 |
| 附表索引 | 第11-12页 |
| 第一章 绪论 | 第12-20页 |
| 1.1 选题背景及意义 | 第12页 |
| 1.2 转炉炼钢吹炼过程 | 第12-14页 |
| 1.2.1 吹炼过程的操作步骤 | 第12-13页 |
| 1.2.2 吹炼过程中元素的变化 | 第13-14页 |
| 1.3 研究现状 | 第14-19页 |
| 1.3.1 终点控制方法 | 第15-18页 |
| 1.3.2 智能控制自动化 | 第18-19页 |
| 1.4 本文的主要工作及内容安排 | 第19-20页 |
| 第二章 转炉火焰图像预处理及特征值提取 | 第20-36页 |
| 2.1 火焰图像预处理 | 第20-22页 |
| 2.2 转炉火焰分割 | 第22-24页 |
| 2.2.1 阀值分割 | 第22-23页 |
| 2.2.2 FCM 分割 | 第23-24页 |
| 2.2.3 转炉火焰图像分割结果 | 第24页 |
| 2.3 线不变矩 | 第24-26页 |
| 2.3.1 概述 | 第24-25页 |
| 2.3.2 火焰边界复杂度 | 第25-26页 |
| 2.3.3 特征提取试验 | 第26页 |
| 2.4 纹理概述及选择 | 第26-32页 |
| 2.4.1 什么是纹理 | 第26-27页 |
| 2.4.2 纹理特征 | 第27-30页 |
| 2.4.3 计算纹理特征方法的选择 | 第30-31页 |
| 2.4.4 特征提取试验 | 第31-32页 |
| 2.5 彩色模型概述及选择 | 第32-35页 |
| 2.5.1 RGB 颜色模型 | 第32-33页 |
| 2.5.2 HSV 颜色模型 | 第33-34页 |
| 2.5.3 颜色模型的选择及算法的实现 | 第34页 |
| 2.5.4 特征提取试验 | 第34-35页 |
| 2.6 小结 | 第35-36页 |
| 第三章 基于转炉火焰特征的回归分析 | 第36-50页 |
| 3.1 一元线性回归的理论知识 | 第36-38页 |
| 3.2 一元线性回归方程的显著性检验 | 第38-41页 |
| 3.2.1 回归系数检验 | 第40页 |
| 3.2.2 回归方程检验 | 第40页 |
| 3.2.4 失拟检测 | 第40-41页 |
| 3.3 多元线性回归的理论知识 | 第41-42页 |
| 3.4 多元线性回归正交设计 | 第42-43页 |
| 3.5 多元线性回归的统计检验 | 第43-45页 |
| 3.5.1 回归系数检验 | 第44页 |
| 3.5.2 回归方程的检验 | 第44页 |
| 3.5.3 失拟检验 | 第44-45页 |
| 3.6 转炉终点回归模型 | 第45-49页 |
| 3.6.1 终点回归模型变量的选择 | 第45-47页 |
| 3.6.2 终点回归模型的建立 | 第47-48页 |
| 3.6.3 终点回归模型的讨论 | 第48-49页 |
| 3.7 小结 | 第49-50页 |
| 第四章 转炉终点神经网络预测模型 | 第50-68页 |
| 4.1 神经网络简介 | 第51-52页 |
| 4.2 BP 神经网络算法 | 第52-55页 |
| 4.2.1 BP 网络的基本思想 | 第52-53页 |
| 4.2.2 误差反向传播算法计算步骤 | 第53-54页 |
| 4.2.3 BP 算法的实现流程 | 第54-55页 |
| 4.3 转炉终点神经网络预测模型 | 第55-67页 |
| 4.3.1 基于神经网络建立预测模型的可行性分析 | 第55-56页 |
| 4.3.2 终点神经网络预测模型的选用算法 | 第56-59页 |
| 4.3.3 终点神经网络预测模型变量的选择及处理 | 第59-63页 |
| 4.3.4 终点神经网络预测模型的建立 | 第63-64页 |
| 4.3.5 终点神经网络预测模型的训练结果 | 第64-66页 |
| 4.3.6 终点神经网络预测模型的讨论 | 第66-67页 |
| 4.4 小结 | 第67-68页 |
| 第五章 总结和展望 | 第68-70页 |
| 5.1 工作总结 | 第68-69页 |
| 5.2 工作展望 | 第69-70页 |
| 参考文献 | 第70-76页 |
| 成果目录 | 第76-77页 |
| 致谢 | 第77页 |
