| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 引言 | 第8-14页 |
| 1.1 高炉炼铁工艺的概述 | 第8-10页 |
| 1.1.1 高炉炼铁工艺的复杂性 | 第8-9页 |
| 1.1.2 高炉炼铁的工艺参数 | 第9-10页 |
| 1.2 高炉铁水温度建模的意义 | 第10-11页 |
| 1.2.1 高炉铁水温度建模的重要性 | 第10-11页 |
| 1.2.2 高炉铁水温度的检测方法 | 第11页 |
| 1.3 基于数据预处理的高炉铁水温度建模概述 | 第11-13页 |
| 1.3.1 基于数据预处理的数学建模 | 第12-13页 |
| 1.4 本论文研究的主要内容 | 第13-14页 |
| 2 多元数学建模基本理论 | 第14-23页 |
| 2.1 BP 神经网络模型 | 第14-18页 |
| 2.1.1 BP 学习算法 | 第15-18页 |
| 2.2 ELM（极限学习机—Extreme learning machine）网络模型 | 第18-20页 |
| 2.2.1 ELM 学习算法 | 第18-19页 |
| 2.2.2 ELM 网络原理 | 第19-20页 |
| 2.3 回声状态网络（ESN）模型 | 第20-23页 |
| 2.3.1 回声状态网络基本数学模型 | 第20-22页 |
| 2.3.2 ESN 的训练 | 第22-23页 |
| 3 高炉铁水温度数据预处理 | 第23-31页 |
| 3.1 数据中异常值的检测 | 第23-24页 |
| 3.2 缺损值的补足 | 第24-26页 |
| 3.2.1 指数平滑法的基本理论 | 第24-26页 |
| 3.2.2 指数平滑系数的确定 | 第26页 |
| 3.3 归一化处理数据 | 第26-28页 |
| 3.4 数据的相关性分析 | 第28-31页 |
| 3.4.1 SPSS 的高炉铁水温度预测模型变量选择 | 第28页 |
| 3.4.2 灰色关联分析的铁水温度预测模型的输入变量选择 | 第28-31页 |
| 4 高炉铁水温度建模与优化 | 第31-56页 |
| 4.1 BP 神经网络建模与优化 | 第31-41页 |
| 4.1.1 BP 算法的实现及 BP 神经网络的建模 | 第31-34页 |
| 4.1.2 BP 网络的优缺点 | 第34页 |
| 4.1.3 粒子群蚁群优化算法的融合与实现 | 第34-39页 |
| 4.1.4 粒子群蚁群算法优化 BP 神经网络建模 | 第39-41页 |
| 4.2 基于灰色关联分析的 ELM 高炉温度预测模型 | 第41-50页 |
| 4.2.1 灰色关联理论基础与方法分析 | 第42-44页 |
| 4.2.2 灰色关联分析的基本特征 | 第44-45页 |
| 4.2.3 灰色关联度模型 | 第45-48页 |
| 4.2.4 ELM 的高炉铁水温度预测模型的建立 | 第48-50页 |
| 4.3 基于回声状态网络（ESN）的高炉铁水温度预测模型 | 第50-53页 |
| 4.3.1 回声状态网络基本模型 | 第51-52页 |
| 4.3.2 ESN 的高炉铁水温度模型的建立 | 第52-53页 |
| 4.4 各模型的性能比较 | 第53-54页 |
| 4.5 本章小结 | 第54-56页 |
| 结论与展望 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 附录A 建模数据 | 第62-63页 |
| 附录B MATLAB仿真部分程序 | 第63-65页 |
| 攻读硕士学位期间发表的论文 | 第65-66页 |
| 致谢 | 第66页 |
