| 中文摘要 | 第4-5页 |
| 英文摘要 | 第5页 |
| 1 绪论 | 第9-22页 |
| 1．1 高炉炉热预测概述 | 第9-10页 |
| 1．1．1 高炉炉热预测的意义及现状 | 第9-10页 |
| 1．2 高炉炉热预测的人工智能模型 | 第10-13页 |
| 1．2．1 炉热预测的神经网络模型 | 第10-11页 |
| 1．2．2 炉热预测的专家系统模型 | 第11-13页 |
| 1．3 知识工程 | 第13-20页 |
| 1．3．1 知识与知识的表示 | 第14-17页 |
| 1．3．2 知识推理技术 | 第17-18页 |
| 1．3．3 知识获取 | 第18-20页 |
| 1．4 研究背景与研究内容 | 第20-22页 |
| 1．4．1 研究背景 | 第20-21页 |
| 1．4．2 研究内容 | 第21-22页 |
| 2 数据库中关联规则的提取 | 第22-28页 |
| 2．1 数据库中的关联规则 | 第22页 |
| 2．2 关联规则提取的APRIORI算法 | 第22-23页 |
| 2．3 信息系统中的粗集模型 | 第23-24页 |
| 2．4 基于粗集理论的条件属性约简 | 第24-26页 |
| 2．5 信息系统中的熵和信息量 | 第26-28页 |
| 2．5．1 信息系统的熵 | 第26-27页 |
| 2．5．2 信息系统中的信息量 | 第27-28页 |
| 3 自组织经验进化预测方法 | 第28-35页 |
| 3．1 自组织经验进化预测原理 | 第28-30页 |
| 3．2 自组织经验进化预测的直接经验和间接经验 | 第30-31页 |
| 3．2．1 直接经验 | 第30-31页 |
| 3．2．2 间接经验 | 第31页 |
| 3．3 自组织经验进化预测系统中的间接经验处理 | 第31-35页 |
| 3．3．1 间接经验的表达与推理技术 | 第31-33页 |
| 3．3．2 间接经验的知识获取 | 第33-35页 |
| 4 基于模式识别的直接经验获取 | 第35-40页 |
| 4．1 直接经验获取与模式量化 | 第35-36页 |
| 4．2 直接经验获取结果 | 第36-40页 |
| 5 数据挖掘在预测经验获取中的应用 | 第40-48页 |
| 5．1 问题描述 | 第40页 |
| 5．2 高炉铁水硅含量预测的数据挖掘算法 | 第40-48页 |
| 5．2．1 过程数据预处理 | 第41-42页 |
| 5．2．2 特征表的概念提升 | 第42-44页 |
| 5．2．3 决策表的属性约简 | 第44-45页 |
| 5．2．4 关联规则提取 | 第45-48页 |
| 6 数据挖掘算法用于高炉铁水硅含量预测的结果与评价 | 第48-61页 |
| 6．1 训练集大小对预测结果的影响 | 第48-49页 |
| 6．2 规则支持度对预测结果的影响 | 第49页 |
| 6．3 规则信任度对预测结果的影响 | 第49-50页 |
| 6．4 参数选取与规则解释 | 第50-55页 |
| 6．5 综合预测结果 | 第55-56页 |
| 6．6 高炉过程稳定性对预测结果的影响 | 第56-58页 |
| 6．7 不同预测模型的预测效果 | 第58-61页 |
| 7 经验进化方法的讨论 | 第61-66页 |
| 7．1 经验进化原理 | 第61-62页 |
| 7．2 经验进化的实施 | 第62-64页 |
| 7．3 经验规则的生成 | 第64-66页 |
| 8 结论 | 第66-67页 |
| 致谢 | 第67-68页 |
| 参考文献 | 第68-72页 |
| 附录A 直接经验分类码串中各因素解释的前提对照表 | 第72-75页 |
| 附录B 研究生期间发表的文章 | 第75页 |