基于数据驱动的加热炉钢温建模方法
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 引言 | 第10页 |
| 1.2 加热炉工艺过程 | 第10-11页 |
| 1.3 系统建模方法 | 第11-14页 |
| 1.3.1 机理分析的建模方法 | 第11-12页 |
| 1.3.2 基于数据驱动的建模方法 | 第12-14页 |
| 1.4 加热炉建模的难点和研究现状 | 第14-16页 |
| 1.5 本文的主要工作 | 第16-18页 |
| 第2章 基于统计学理论的建模方法 | 第18-34页 |
| 2.1 支持向量机基本原理 | 第18-26页 |
| 2.1.1 统计学习理论 | 第18-20页 |
| 2.1.2 支持向量机分类 | 第20-24页 |
| 2.1.3 支持向量机回归 | 第24-26页 |
| 2.2 最小二乘支持向量机 | 第26-28页 |
| 2.3 基于LSSVM的钢温估计模型 | 第28-32页 |
| 2.3.1 钢温估计模型分析 | 第28-30页 |
| 2.3.2 LSSVM回归建模仿真 | 第30-32页 |
| 2.4 本章小结 | 第32-34页 |
| 第3章 基于智能理论的建模方法 | 第34-44页 |
| 3.1 人工神经网络 | 第34-36页 |
| 3.1.1 人工神经网络拓扑结构 | 第34-35页 |
| 3.1.2 人工神经网络学习规则 | 第35-36页 |
| 3.2 BP神经网络 | 第36-39页 |
| 3.2.1 BP神经网络的拓扑结构 | 第36页 |
| 3.2.2 BP神经网络的学习过程 | 第36-39页 |
| 3.3 基于BP网络的钢温估计模型 | 第39-43页 |
| 3.3.1 钢温估计模型分析 | 第39-41页 |
| 3.3.2 BP神经网络建模仿真 | 第41-43页 |
| 3.4 本章小结 | 第43-44页 |
| 第4章 钢温估计模型的优化 | 第44-60页 |
| 4.1 PSO优化钢温估计模型 | 第44-55页 |
| 4.1.1 粒子群优化算法(PSO) | 第44-47页 |
| 4.1.2 PSO优化LSSVM模型 | 第47-50页 |
| 4.1.3 PSO优化BP网络模型 | 第50-55页 |
| 4.2 QPSO优化钢温估计模型 | 第55-59页 |
| 4.2.1 量子粒子群算法(QPSO) | 第55-56页 |
| 4.2.2 QPSO优化LSSVM模型 | 第56-57页 |
| 4.2.3 QPSO优化BP网络模型 | 第57-59页 |
| 4.3 本章小结 | 第59-60页 |
| 第5章 结论和展望 | 第60-62页 |
| 参考文献 | 第62-66页 |
| 致谢 | 第66页 |
