| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-22页 |
| 1.1 课题背景 | 第10-12页 |
| 1.2 课题意义 | 第12-13页 |
| 1.3 国内外研究现状 | 第13-19页 |
| 1.3.1 白箱模型 | 第13-14页 |
| 1.3.2 黑箱模型 | 第14-18页 |
| 1.3.3 灰箱模型 | 第18-19页 |
| 1.4 本文研究内容和创新点 | 第19-20页 |
| 1.4.1 本文研究内容 | 第19页 |
| 1.4.2 本文创新点 | 第19-20页 |
| 1.5 本章小结 | 第20-22页 |
| 第二章 神经网络与Adaboost算法理论基础 | 第22-32页 |
| 2.1 引言 | 第22页 |
| 2.2 BP神经网络与Elman神经网络 | 第22-23页 |
| 2.3 Adaboost算法 | 第23-29页 |
| 2.3.1 Adaboost强回归器算法流程 | 第24-27页 |
| 2.3.2 Adaboost强分类器算法流程 | 第27-28页 |
| 2.3.3 Adaboost算法的特点 | 第28-29页 |
| 2.4 关键技术指标 | 第29-30页 |
| 2.5 本章小结 | 第30-32页 |
| 第三章 基于Elman-Adaboost模型的高炉铁水硅含量回归预测 | 第32-50页 |
| 3.1 引言 | 第32-34页 |
| 3.2 多变量Elman-Adaboost强回归器 | 第34-42页 |
| 3.2.1 输入变量及预处理 | 第34-37页 |
| 3.2.2 MEASP模型形成 | 第37-40页 |
| 3.2.3 结果比较及分析 | 第40-42页 |
| 3.2.4 与前人工作的区别 | 第42页 |
| 3.3 单变量Elman-Adaboost强回归器 | 第42-49页 |
| 3.3.1 输入变量及预处理 | 第42-46页 |
| 3.3.2 SEASP模型形成 | 第46-47页 |
| 3.3.3 结果比较及分析 | 第47-49页 |
| 3.4 本章小结 | 第49-50页 |
| 第四章 基于Elman-Adaboost模型的高炉铁水硅含量分类预测 | 第50-66页 |
| 4.1 引言 | 第50-51页 |
| 4.2 多变量Elman-Adaboost强分类器 | 第51-59页 |
| 4.2.1 标准型多变量Elman-Adaboost强分类器 | 第51-52页 |
| 4.2.2 改进型多变量Elman-Adaboost强分类器 | 第52-56页 |
| 4.2.3 结果比较及分析 | 第56-59页 |
| 4.3 单变量Elman-Adaboost强分类器 | 第59-63页 |
| 4.3.1 标准型单变量Elman-Adaboost强分类器 | 第59页 |
| 4.3.2 改进型单变量Elman-Adaboost强分类器 | 第59-60页 |
| 4.3.3 结果比较及分析 | 第60-63页 |
| 4.4 本章小结 | 第63-66页 |
| 第五章 基于模糊逻辑的回归预测与分类预测信息融合方法 | 第66-74页 |
| 5.1 引言 | 第66-67页 |
| 5.2 模糊逻辑控制基础 | 第67-69页 |
| 5.3 回归预测与分类预测结果的信息融合 | 第69-73页 |
| 5.4 本章小结 | 第73-74页 |
| 第六章 总结与展望 | 第74-78页 |
| 6.1 本文内容总结 | 第74-75页 |
| 6.2 进一步研究和展望 | 第75-78页 |
| 参考文献 | 第78-82页 |
| 致谢 | 第82-84页 |
| 攻读学位期间发表的学术论文与取得的其他研究成果 | 第84页 |
