转炉提钒智能控制模型的研究与应用
| 中文摘要 | 第1-5页 |
| 英文摘要 | 第5-9页 |
| 1 绪论 | 第9-17页 |
| 1．1 课题研究的意义及来源 | 第9-10页 |
| 1．1．1 钒的重要价值 | 第9页 |
| 1．1．2 国内外提钒现状 | 第9-10页 |
| 1．1．3 建立转炉控制模型的必要性 | 第10页 |
| 1．1．4 课题来源 | 第10页 |
| 1．2 转炉控制模型的研究内容 | 第10-11页 |
| 1．3 转炉控制模型研究现状及趋势 | 第11-14页 |
| 1．3．1 转炉控制模型研究现状 | 第11-13页 |
| 1．3．2 转炉控制模型研究趋势 | 第13页 |
| 1．3．3 转炉提钒控制模型研究现状和趋势 | 第13-14页 |
| 1．4 人工神经网络及事例推理的发展 | 第14-15页 |
| 1．4．1 人工神经网络的发展 | 第14页 |
| 1．4．2 事例推理的发展 | 第14-15页 |
| 1．5 论文主要内容 | 第15-17页 |
| 2 提钒工艺简介及影响因素分析 | 第17-24页 |
| 2．1 工艺简介 | 第17-19页 |
| 2．2 提钒影响因素分析 | 第19-22页 |
| 2．3 模型影响因素分析 | 第22-24页 |
| 3 建模技术及原理 | 第24-38页 |
| 3．1 常用建模技术 | 第24-27页 |
| 3．1．1 机理法 | 第24页 |
| 3．1．2 数理统计法 | 第24-25页 |
| 3．1．3 神经网络法 | 第25页 |
| 3．1．4 演化方法 | 第25-26页 |
| 3．1．5 支持向量机 | 第26-27页 |
| 3．2 神经网络原理 | 第27-30页 |
| 3．2．1 神经网络原理 | 第27-29页 |
| 3．2．2 神经网络建模的关键问题 | 第29-30页 |
| 3．3 BackPropagation算法 | 第30-33页 |
| 3．3．1 BP算法 | 第30-32页 |
| 3．3．2 BP算法的常见改进措施 | 第32-33页 |
| 3．4 事例推理 | 第33-36页 |
| 3．5 遗传算法 | 第36-38页 |
| 4 提钒控制模型研究 | 第38-53页 |
| 4．1 数据预处理 | 第38-39页 |
| 4．2 冷却剂模型研究 ． | 第39-49页 |
| 4．2．1 基于传统BP算法的冷却剂模型 | 第39-45页 |
| 4．2．2 基于改进BP算法的冷却剂模型 | 第45-49页 |
| 4．3 枪位模型研究 | 第49-53页 |
| 4．3．1 基于改进BP算法的吹氧时间模型 | 第50页 |
| 4．3．2 基于事例推理的枪位模型 | 第50-53页 |
| 5 提钒控制模型软件 | 第53-58页 |
| 5．1 系统的软件结构 | 第53页 |
| 5．2 运行实例 | 第53-58页 |
| 6 结论 | 第58-59页 |
| 致谢 | 第59-60页 |
| 参考文献 | 第60-62页 |
