基于免疫的混合学习算法在转炉提钒静态模型中的应用研究
| 中文摘要 | 第1-4页 |
| 英文摘要 | 第4-8页 |
| 1 绪论 | 第8-15页 |
| ·课题来源与项目背景 | 第8页 |
| ·提钒模型研究概况 | 第8-13页 |
| ·钒的重要价值 | 第8-9页 |
| ·国内外的提钒方法 | 第9页 |
| ·攀钢目前的提钒技术现状 | 第9-10页 |
| ·攀钢建立提钒过程静态模型的必要性和可能性 | 第10页 |
| ·目前转炉提钒静态模型的建模方法 | 第10-11页 |
| ·人工智能为工业过程建模提供了新方法 | 第11-12页 |
| ·攀钢转炉提钒静态模型及专家系统简介 | 第12-13页 |
| ·本文的主要内容及安排 | 第13-15页 |
| 2 免疫学基础 | 第15-24页 |
| ·免疫学的基本概念 | 第15-19页 |
| ·免疫 | 第15页 |
| ·免疫学的由来 | 第15页 |
| ·免疫系统 | 第15-16页 |
| ·免疫的功能 | 第16页 |
| ·抗原 | 第16-17页 |
| ·抗体 | 第17-18页 |
| ·免疫应答 | 第18-19页 |
| ·B细胞 | 第19页 |
| ·Jerne的免疫网络学说 | 第19-20页 |
| ·免疫学中的免疫网络学说 | 第19页 |
| ·从信息处理的角度认识免疫网络学说 | 第19-20页 |
| ·克隆选择 | 第20-21页 |
| ·免疫网络模型 | 第21-24页 |
| ·Farmer的免疫网络模型 | 第21-22页 |
| ·Timmis和Neal的免疫网络模型 | 第22-24页 |
| 3 径向基函数(RBF)神经网络 | 第24-32页 |
| ·神经网络概述 | 第24-25页 |
| ·人工神经网络的特点 | 第24-25页 |
| ·神经网络的学习和训练 | 第25页 |
| ·径向基函数(RBF)神经网络概述 | 第25-27页 |
| ·RBF神经网络在数学上的可行性 | 第27页 |
| ·RBF神经网络的函数逼近能力 | 第27-29页 |
| ·RBF函数的选择 | 第29页 |
| ·RBF神经网络的学习算法 | 第29-32页 |
| ·RBF函数中心的选择 | 第30-31页 |
| ·输出层权值的调整 | 第31-32页 |
| 4 基于免疫的径向基函数神经网络混合学习算法 | 第32-45页 |
| ·从免疫的观点出发重新思考RBF神经网络 | 第32-33页 |
| ·人工免疫网络中有关参量的计算 | 第33-34页 |
| ·相关匹配度的计算 | 第33-34页 |
| ·抗体浓度的计算 | 第34页 |
| ·基于免疫的RBF神经网络混合学习算法概述 | 第34-35页 |
| ·通过克隆选择学习 | 第35-40页 |
| ·算法基本步骤 | 第35-37页 |
| ·算法验证 | 第37-40页 |
| ·通过内部亲和力学习 | 第40-43页 |
| ·算法基本步骤 | 第40-41页 |
| ·算法验证 | 第41-43页 |
| ·两种算法的比较和算法优点 | 第43-45页 |
| 5 采用基于免疫的混合学习算法训练的提钒静态模型 | 第45-53页 |
| ·攀钢转炉提钒静态模型简介 | 第45-49页 |
| ·攀钢转炉提钒的工艺流程和生产现状 | 第45-46页 |
| ·转炉提钒模型的系统总体架构 | 第46-47页 |
| ·智能模型的输入输出框图 | 第47-49页 |
| ·应用基于免疫的混合学习算法的提钒静态模型的建模 | 第49-50页 |
| ·仿真及其结果分析 | 第50-53页 |
| 6 结论 | 第53-55页 |
| 致谢 | 第55-56页 |
| 参考文献 | 第56-59页 |
