| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-20页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 LF炉概述 | 第11-15页 |
| 1.2.1 钢包精炼概述 | 第11-12页 |
| 1.2.2 钢包精炼炉的基本构造 | 第12-13页 |
| 1.2.3 LF炉的精炼功能 | 第13-15页 |
| 1.3 LF炉预报方法的概述 | 第15-18页 |
| 1.4 论文针对LF炉预报所做的工作 | 第18-19页 |
| 1.5 论文结构 | 第19-20页 |
| 第2章 极限学习机与集成学习算法 | 第20-30页 |
| 2.1 极限学习机的特点及发展 | 第20-23页 |
| 2.1.1 单隐含层前向神经网络 | 第20-21页 |
| 2.1.2 SLFN学习的ELM实现 | 第21-23页 |
| 2.2 集成算法的特点及发展 | 第23-29页 |
| 2.2.1 集成算法的起源 | 第23-24页 |
| 2.2.2 Boosting集成学习算法 | 第24-27页 |
| 2.2.3 解决回归问题的集成学习算法 | 第27-29页 |
| 2.3 本章小结 | 第29-30页 |
| 第3章 LF炉钢水温度预报的预测模型 | 第30-42页 |
| 3.1 影响温度的因素 | 第30-32页 |
| 3.1.1 LF炉总能量平衡分析 | 第30-31页 |
| 3.1.2 确定影响因素 | 第31-32页 |
| 3.2 预测模型算法的选择 | 第32-40页 |
| 3.2.1 神经网络的选择 | 第33-34页 |
| 3.2.2 ELM结合偏最小二乘法建模方法 | 第34-37页 |
| 3.2.3 AdaBoost对ELM-PLS模型集成 | 第37-40页 |
| 3.3 本章小结 | 第40-42页 |
| 第4章 遗传算法与预测模型优化 | 第42-56页 |
| 4.1 遗传算法的基本概念 | 第42-44页 |
| 4.2 遗传算法的模式定理 | 第44-45页 |
| 4.3 遗传算法 | 第45-49页 |
| 4.3.1 遗传算法的基本步骤 | 第45-46页 |
| 4.3.2 遗传算法的染色体编码 | 第46页 |
| 4.3.3 适应度函数 | 第46-47页 |
| 4.3.4 遗传因子 | 第47-49页 |
| 4.4 遗传算法对AdaBoost-ELM-PLS模型的优化 | 第49-54页 |
| 4.4.1 遗传算法优化ELM输入层至隐含层的权值 | 第49-52页 |
| 4.4.2 遗传算法优化AdaBoost集成算法的阀值 | 第52-54页 |
| 4.5 本章小结 | 第54-56页 |
| 第5章 结论与展望 | 第56-58页 |
| 5.1 结论 | 第56-57页 |
| 5.2 论文展望 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 致谢 | 第62-64页 |
| 作者简介 | 第64-66页 |
| 攻读学位期间发表的论著及获奖情况 | 第66页 |
