| 第一章 绪论 | 第1-21页 |
| ·人工智能及其主要研究方法 | 第11-12页 |
| ·人工智能在炼铁系统中的应用 | 第12-16页 |
| ·专家系统的应用 | 第12-14页 |
| ·神经网络技术的应用 | 第14-16页 |
| ·高炉炉温与硅含量之间的关系 | 第16页 |
| ·高炉生产过程的数学模型 | 第16-21页 |
| ·建立数学模型的过程 | 第16-17页 |
| ·建立数学模型的方法 | 第17-19页 |
| ·存在的问题 | 第19-21页 |
| 第二章 人工神经网络 | 第21-36页 |
| ·人工神经网络的简述 | 第21-23页 |
| ·人工神经网络的产生与发展 | 第21-22页 |
| ·人工神经网络的特点 | 第22页 |
| ·人工神经网络的广泛应用 | 第22-23页 |
| ·人工神经元模型 | 第23-25页 |
| ·人工神经网络模型的拓扑结构 | 第25-28页 |
| ·人工神经网络的运行过程 | 第28-29页 |
| ·BP网络的改进算法及优化设计 | 第29-36页 |
| ·经典 BP算法 | 第30-32页 |
| ·BP算法存在的问题 | 第32页 |
| ·BP算法的若干改进 | 第32-33页 |
| ·BP网络的优化设计 | 第33-36页 |
| 第三章 遗传算法理论 | 第36-47页 |
| ·遗传算法概述 | 第36-37页 |
| ·遗传算法的特点 | 第37-38页 |
| ·遗传算法的定理与假设 | 第38-40页 |
| ·遗传算法应用设计 | 第40-47页 |
| ·编码问题 | 第41页 |
| ·适应度函数 | 第41-42页 |
| ·选择问题 | 第42页 |
| ·交叉运算 | 第42-44页 |
| ·变异运算 | 第44-45页 |
| ·主要参数的选择 | 第45-47页 |
| 第四章 遗传算法与人工神经网络的结合 | 第47-53页 |
| ·遗传算法与神经网络结合的必要性与可行性 | 第47页 |
| ·神经网络连接权的进化 | 第47-48页 |
| ·神经网络结构的进化 | 第48-49页 |
| ·神经网络学习规则的进化 | 第49-50页 |
| ·BP网络连接权进化的方案 | 第50-53页 |
| ·编码方案 | 第50页 |
| ·适应度函数的确定 | 第50-51页 |
| ·选择 | 第51页 |
| ·交叉 | 第51-52页 |
| ·变异 | 第52-53页 |
| 第五章 基于遗传算法神经网络的铁水硅含量预测系统 | 第53-69页 |
| ·BP神经网络的铁水硅含量模型 | 第53-56页 |
| ·神经网络各层的确定 | 第53-55页 |
| ·参数选取及数据处理 | 第55页 |
| ·模型应用 | 第55-56页 |
| ·改进型神经网络的铁水硅含量模型 | 第56-60页 |
| ·改进型神经网络的学习机理 | 第57-60页 |
| ·模型应用 | 第60页 |
| ·铁水硅含量预报遗传算法模型 | 第60-65页 |
| ·人工神经网络模型固有的局限 | 第61页 |
| ·遗传算法铁水硅含量预报模型的建立 | 第61-65页 |
| ·多层前馈神经网络连接权值的遗传进化 | 第62-63页 |
| ·遗传操作 | 第63-64页 |
| ·模型应用 | 第64-65页 |
| ·基于遗传算法与 BP学习算法的硅含量预报神经网络系统 | 第65-69页 |
| ·遗传算法与 BP学习算法的结合 | 第65-67页 |
| ·模型应用 | 第67-69页 |
| 第六章 结论与展望 | 第69-70页 |
| 参考文献 | 第70-72页 |