| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第12-20页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 研究现状 | 第13-16页 |
| 1.2.1 能源预测问题研究现状 | 第13-14页 |
| 1.2.2 SVM算法研究现状 | 第14-16页 |
| 1.2.3 Q学习算法研究现状 | 第16页 |
| 1.3 本文主要工作及研究路线 | 第16-18页 |
| 1.3.1 本文主要工作 | 第16-18页 |
| 1.3.2 本文研究路线 | 第18页 |
| 1.4 本章小结 | 第18-20页 |
| 第2章 钢铁企业能源介质预测问题 | 第20-24页 |
| 2.1 钢铁企业工艺流程与能源分布 | 第20-22页 |
| 2.1.1 钢铁企业生产工业概述 | 第20-21页 |
| 2.1.2 钢铁企业能源介质分布 | 第21-22页 |
| 2.2 钢铁企业大规模能源预测问题 | 第22页 |
| 2.3 本章小结 | 第22-24页 |
| 第3章 算法求解钢铁企业大规模能源预测问题 | 第24-36页 |
| 3.1 最小二乘支持向量机的Q学习算法 | 第24-30页 |
| 3.1.1 Q学习方法 | 第24-26页 |
| 3.1.2 最小二乘支持向量机的回归算法 | 第26-27页 |
| 3.1.3 基于最小二乘支持向量机的Q学习方法 | 第27-30页 |
| 3.2 算法求解钢铁企业大规模能源介质预测问题 | 第30-34页 |
| 3.2.1 数据相关性测试 | 第30-31页 |
| 3.2.2 能源介质预测算法参数 | 第31-32页 |
| 3.2.3 钢铁企业能源介质预测算法流程 | 第32-33页 |
| 3.2.4 算法比较 | 第33-34页 |
| 3.3 本章小结 | 第34-36页 |
| 第4章 基于LS-SVM的Q学习预测算法的改进 | 第36-46页 |
| 4.1 Doolitte分解法提高算法快速性 | 第36-38页 |
| 4.1.1 Doolittle算法原理 | 第36-37页 |
| 4.1.2 Doolittle算法流程 | 第37页 |
| 4.1.3 Doolittle分解法与普通Guass分解法对比结果 | 第37-38页 |
| 4.2 基于模拟退火思想的Q学习算法 | 第38-41页 |
| 4.2.1 应用模拟退火的Q学习算法 | 第38页 |
| 4.2.2 算法流程 | 第38-40页 |
| 4.2.3 改进Q学习算法与普通Q学习算法数据比较 | 第40-41页 |
| 4.3 滚动时间窗的的在线学习技术增加预测规模 | 第41-44页 |
| 4.3.1 算法原理 | 第41-42页 |
| 4.3.2 算法流程 | 第42页 |
| 4.3.3 滚动时间窗的Q学习算法对不同数据输入规模的测试 | 第42-44页 |
| 4.4 本章小结 | 第44-46页 |
| 第5章 钢铁企业能源介质预测与平衡系统 | 第46-62页 |
| 5.1 需求分析 | 第46-47页 |
| 5.2 系统结构 | 第47-50页 |
| 5.2.1 框架结构 | 第47-48页 |
| 5.2.2 系统模块设计与流程设计 | 第48-50页 |
| 5.3 主要对象与接口设计 | 第50-52页 |
| 5.4 数据库设计 | 第52-53页 |
| 5.4.1 数据库表 | 第52-53页 |
| 5.4.2 数据表关系图 | 第53页 |
| 5.5 功能模块设计 | 第53-59页 |
| 5.5.1 基础数据管理 | 第54-56页 |
| 5.5.2 能源预测模块 | 第56-59页 |
| 5.6 本章小结 | 第59-62页 |
| 第6章 结论与展望 | 第62-64页 |
| 6.1 工作总结 | 第62页 |
| 6.2 工作展望 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 致谢 | 第68页 |
