| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-21页 |
| 1.1 课题来源及研究意义 | 第11-12页 |
| 1.2 转炉终点控制方法国内外研究现状 | 第12-17页 |
| 1.2.1 人工经验控制 | 第12-13页 |
| 1.2.2 静态控制 | 第13-14页 |
| 1.2.3 动态控制 | 第14-15页 |
| 1.2.4 神经网络方法 | 第15-17页 |
| 1.3 课题实际背景 | 第17-19页 |
| 1.4 本文主要研究内容 | 第19-21页 |
| 第2章 转炉炼钢工艺 | 第21-29页 |
| 2.1 转炉炼钢原理 | 第21-22页 |
| 2.2 转炉炼钢工艺介绍 | 第22-25页 |
| 2.2.1 转炉炼钢工艺 | 第22-23页 |
| 2.2.2 鞍钢100t复吹转炉介绍 | 第23-25页 |
| 2.3 转炉炼钢机理模型 | 第25-28页 |
| 2.3.1 静态模型 | 第25-26页 |
| 2.3.2 动态模型 | 第26-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第3章 转炉终点预测影响因素分析 | 第29-45页 |
| 3.1 转炉终点预测相关因素 | 第29-30页 |
| 3.1.1 转炉终点预测的属性分析 | 第29-30页 |
| 3.1.2 影响转炉终点预测的因素 | 第30页 |
| 3.2 粗糙集属性约简 | 第30-33页 |
| 3.2.1 信息系统 | 第31页 |
| 3.2.2 不可分辨关系 | 第31-32页 |
| 3.2.3 近似集与边界区 | 第32页 |
| 3.2.4 属性依赖度及属性重要性 | 第32-33页 |
| 3.2.5 属性约简与约简核 | 第33页 |
| 3.3 基于粗糙集的转炉终点预测影响因素约简 | 第33-44页 |
| 3.3.1 数据预处理 | 第34-39页 |
| 3.3.2 基于粗糙集的属性约简 | 第39-44页 |
| 3.4 本章小结 | 第44-45页 |
| 第4章 灰色RBF神经网络 | 第45-63页 |
| 4.1 RBF径向基函数神经网络 | 第45-51页 |
| 4.1.1 RBF神经网络结构 | 第46-47页 |
| 4.1.2 RBF神经网络的映射关系 | 第47页 |
| 4.1.3 RBF神经网络的准则和常用算法 | 第47-51页 |
| 4.1.4 RBF神经网络和BP神经网络的对比 | 第51页 |
| 4.2 灰色预测模型 | 第51-54页 |
| 4.3 灰色RBF神经网络 | 第54-61页 |
| 4.3.1 基于蚁群聚类确定聚类中心及单元数 | 第54-56页 |
| 4.3.2 灰色预测与RBF神经网络的结合方式 | 第56-59页 |
| 4.3.3 灰色预测与RBF神经网络融合 | 第59-60页 |
| 4.3.4 测试函数仿真验证 | 第60-61页 |
| 4.4 本章小结 | 第61-63页 |
| 第5章 基于灰色RBF神经网络的转炉终点预测 | 第63-85页 |
| 5.1 灰色预测模型的应用 | 第63-72页 |
| 5.1.1 灰色GM(1,N)模型分析 | 第63-65页 |
| 5.1.2 应用GM(1,N)灰色预测模型进行转炉终点预测 | 第65-69页 |
| 5.1.3 GM(1,N)转炉终点预测仿真 | 第69-71页 |
| 5.1.4 预测效果分析 | 第71-72页 |
| 5.2 基于蚁群聚类的RBF神经网络预测模型应用 | 第72-74页 |
| 5.2.1 蚁群聚类RBF转炉终点预测仿真 | 第72-74页 |
| 5.2.2 预测效果分析 | 第74页 |
| 5.3 基于灰色RBF神经网络预测模型应用 | 第74-83页 |
| 5.3.1 基于灰色RBF神经网络预测模型 | 第74-75页 |
| 5.3.2 灰色RBF转炉终点预测仿真 | 第75-77页 |
| 5.3.3 预测效果分析 | 第77-78页 |
| 5.3.4 预测命中率对比分析 | 第78-83页 |
| 5.4 本章小结 | 第83-85页 |
| 第6章 结论与展望 | 第85-87页 |
| 参考文献 | 第87-91页 |
| 致谢 | 第91页 |