| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 课题的研究背景及意义 | 第9-10页 |
| 1.2 电弧炉的国内外研究现状 | 第10-13页 |
| 1.3 本文的研究内容 | 第13-15页 |
| 第二章 电弧炉电极系统的研究分析 | 第15-28页 |
| 2.1 电弧炉炼钢工艺 | 第15-20页 |
| 2.1.1 电弧炉炼钢工艺过程 | 第15-16页 |
| 2.1.2 电弧炉的炼钢工艺设备 | 第16-20页 |
| 2.2 电弧炉控制系统 | 第20-24页 |
| 2.3 电极控制系统研究分析 | 第24-26页 |
| 2.3.1 电极控制系统的工作原理 | 第24-25页 |
| 2.3.2 电极控制系统的调节 | 第25-26页 |
| 2.4 电弧炉电极控制算法 | 第26-28页 |
| 2.4.1 传统PID控制算法 | 第26页 |
| 2.4.2 RBF控制算法 | 第26-28页 |
| 第三章 RBF神经网络及其逆模型辨识 | 第28-41页 |
| 3.1 神经网络的研究现状 | 第28页 |
| 3.2 系统辨识的方法简介 | 第28-29页 |
| 3.3 神经网络的系统辨识 | 第29-33页 |
| 3.3.1 系统辨识的原理 | 第29-31页 |
| 3.3.2 神经网络系统的辨识 | 第31-33页 |
| 3.4 RBF神经网络及其辨识 | 第33-37页 |
| 3.4.1 RBF神经网络及结构 | 第33-36页 |
| 3.4.2 RBF神经网络辨识的学习算法 | 第36-37页 |
| 3.5 最近邻聚类学习算法 | 第37-41页 |
| 第四章 基于RBF神经网络的电弧炉电极系统解耦控制器设计 | 第41-57页 |
| 4.1 基于逆系统的解耦控制方法 | 第41-43页 |
| 4.1.1 逆系统的概念 | 第41-42页 |
| 4.1.2 逆系统伪线性化解耦 | 第42-43页 |
| 4.2 神经网络逆系统控制方法 | 第43-46页 |
| 4.2.1 基于神经网络α阶逆系统的提出 | 第43-44页 |
| 4.2.2 可行性分析 | 第44-45页 |
| 4.2.3 神经网络α阶逆系统的实现 | 第45-46页 |
| 4.3 基于RBF神经网络的系统逆辨识 | 第46-52页 |
| 4.3.1 可逆性分析 | 第47-48页 |
| 4.3.2 逆动态系统RBFN的实现 | 第48-49页 |
| 4.3.3 逆辨识网络的构造 | 第49-50页 |
| 4.3.4 基于RBFN的电弧炉电极系统逆模型辨识 | 第50-52页 |
| 4.4 电弧炉电极系统的解耦控制方法 | 第52-57页 |
| 第五章 模型辨识与控制系统仿真 | 第57-65页 |
| 5.1 模型辨识仿真 | 第58-62页 |
| 5.2 控制系统仿真 | 第62-65页 |
| 第六章 总结与展望 | 第65-66页 |
| 参考文献 | 第66-69页 |
| 图表清单 | 第69-70页 |
| 附录：正常工况下的100组数据表 | 第70-76页 |
| 在校研究成果 | 第76-77页 |
| 致谢 | 第77页 |