| 摘要 | 第5-7页 |
| Abstract | 第7-9页 |
| 第1章 绪论 | 第13-29页 |
| 1.1 研究背景及研究意义 | 第13-14页 |
| 1.2 高炉炼铁过程工艺描述 | 第14-16页 |
| 1.2.1 高炉组成 | 第14-15页 |
| 1.2.2 高炉出铁过程描述 | 第15-16页 |
| 1.3 铁水质量参数相关概念 | 第16-19页 |
| 1.3.1 铁水质量参数的基本概念 | 第16-18页 |
| 1.3.2 铁水质量参数的作用 | 第18-19页 |
| 1.4 高炉出铁过程复杂性分析 | 第19-24页 |
| 1.4.1 高炉出铁过程变量分析 | 第20-22页 |
| 1.4.2 高炉出铁过程复杂特性及建模难点分析 | 第22-24页 |
| 1.5 铁水质量参数建模的国内外研究现状 | 第24-28页 |
| 1.5.1 国内外研究现状 | 第24-27页 |
| 1.5.2 存在的问题 | 第27-28页 |
| 1.6 本文研究主要内容与论文结构 | 第28-29页 |
| 第2章 预备知识 | 第29-41页 |
| 2.1 引言 | 第29页 |
| 2.2 随机权神经网络(RVFLNs)基本概念 | 第29-35页 |
| 2.2.1 RVFLNs的基本原理 | 第30-32页 |
| 2.2.2 在线序贯随机权神经网络的基本原理 | 第32-35页 |
| 2.3 鲁棒估计理论 | 第35-39页 |
| 2.3.1 鲁棒估计原理 | 第35-37页 |
| 2.3.2 M估计算法概述 | 第37-39页 |
| 2.4 本章小结 | 第39-41页 |
| 第3章 基于Cauchy分布加权M估计的鲁棒RVFLNs铁水质量参数建模 | 第41-75页 |
| 3.1 引言 | 第41页 |
| 3.2 M估计鲁棒随机权神经网络算法 | 第41-52页 |
| 3.2.1 M估计鲁棒随机权神经网络算法 | 第42-43页 |
| 3.2.2 引入结构风险 | 第43-44页 |
| 3.2.3 M估计加权方法简介 | 第44-48页 |
| 3.2.4 Cauchy分布简介 | 第48-49页 |
| 3.2.5 基于Cauchy分布加权M估计的鲁棒随机权神经网络 | 第49-52页 |
| 3.3 鲁棒随机权神经网络铁水质量参数预测模型 | 第52-73页 |
| 3.3.1 建模分析 | 第52-53页 |
| 3.3.2 基于典型相关性分析的变量选择 | 第53-56页 |
| 3.3.3 模型参数确定 | 第56-58页 |
| 3.3.4 不同加权函数的模型实验 | 第58-66页 |
| 3.3.5 多种鲁棒建模方法比较实验 | 第66-73页 |
| 3.4 本章小结 | 第73-75页 |
| 第4章 基于在线序贯学习的鲁棒RVFLNs铁水质量参数建模 | 第75-91页 |
| 4.1 引言 | 第75页 |
| 4.2 在线序贯学习鲁棒随机权神经网络 | 第75-80页 |
| 4.2.1 在线序贯学习鲁棒随机权神经网络算法 | 第75-78页 |
| 4.2.2 遗忘因子法消除“数据饱和”现象 | 第78-80页 |
| 4.2.3 在线序贯学习鲁棒随机权神经网络算法优点 | 第80页 |
| 4.3 在线序贯鲁棒随机权神经网络铁水质量参数预测模型 | 第80-88页 |
| 4.3.1 建模分析 | 第80-81页 |
| 4.3.2 模型实验 | 第81-88页 |
| 4.4 本章小结 | 第88-91页 |
| 第5章 总结与展望 | 第91-93页 |
| 5.1 论文总结 | 第91-92页 |
| 5.2 工作展望 | 第92-93页 |
| 参考文献 | 第93-97页 |
| 致谢 | 第97-99页 |
| 硕士期间主要工作 | 第99页 |
