| 中文摘要 | 第1-5页 |
| 英文摘要 | 第5-8页 |
| 1 前言 | 第8-13页 |
| 1．1 项目的研究背景 | 第8-9页 |
| 1．2 国内外脱硫工艺优化和控制的研究现状 | 第9-11页 |
| 1．3 本课题的研究方法及意义 | 第11-13页 |
| 2 铁水预脱硫的影响因素研究 | 第13-16页 |
| 2．1 铁水预脱硫的基本原理及工艺流程 | 第13页 |
| 2．2 影响铁水预脱硫的主要因素 | 第13-16页 |
| 2．2．1 铁水温度的影响 | 第13-14页 |
| 2．2．2 铁水原始硫含量的影响 | 第14页 |
| 2．2．3 铁水装入量的影响 | 第14页 |
| 2．2．4 脱硫性质的影响 | 第14页 |
| 2．2．5 喷吹气体的压力、流速和喷枪插入深度的影响 | 第14页 |
| 2．2．6 脱硫时间的影响 | 第14-16页 |
| 3 人工神经网络理论与自动控制 | 第16-23页 |
| 3．1 人工神经网络的发展概况 | 第16页 |
| 3．2 人工神经网络与自动控制 | 第16-17页 |
| 3．3 人工神经网络的逼近能力研究 | 第17-19页 |
| 3．4 人工神经网络的拓扑结构研究 | 第19-20页 |
| 3．5 人工神经网络泛化能力 | 第20-23页 |
| 4 基于RBF神经网络建模的算法研究 | 第23-36页 |
| 4．1 插值问题 | 第23-24页 |
| 4．2 正规化问题 | 第24-28页 |
| 4．3 正规化问题的逼近解及GRBF网络 | 第28-31页 |
| 4．4 隐含层单元数的选择 | 第31-32页 |
| 4．5 RBF网络的学习方法 | 第32-36页 |
| 4．5．1 随机选取RBF中心（直接计算法) | 第32-33页 |
| 4．5．2 自组织学习选取RBF中心 | 第33-34页 |
| 4．5．3 有监督学习选取RBF中心 | 第34-36页 |
| 5 基于递归正交最小二乘RBF神经网络的改进算法 | 第36-45页 |
| 5．1 概述 | 第36-37页 |
| 5．2 RBF网络的递归正交最小二乘训练 | 第37-39页 |
| 5．2．1 正交最小二乘法（OLS) | 第37-38页 |
| 5．2．2 递归正交最小二乘法（ROLS) | 第38-39页 |
| 5．3 网络中心的选择 | 第39-42页 |
| 5．3．1 后向选择算法 | 第39-41页 |
| 5．3．2 最终预报误差准则（FPE) | 第41-42页 |
| 5．4 Givens旋转法则的应用 | 第42-43页 |
| 5．5 仿真实验 | 第43-45页 |
| 6 RBF神经网络模型在脱硫智能控制系统中的应用 | 第45-58页 |
| 6．1 RBFNN与BP神经网络的比较 | 第45页 |
| 6．2 攀钢脱硫生产过程适合于用RBFNN建模 | 第45-47页 |
| 6．3 攀钢脱硫智能预报系统的建立及程序实现 | 第47-58页 |
| 6．3．1 攀钢脱硫智能预报系统的总体构架 | 第47页 |
| 6．3．2 数据库接口 | 第47-48页 |
| 6．3．3 学习样本的评价和选择 | 第48-49页 |
| 6．3．4 数据的统计分析 | 第49-50页 |
| 6．3．5 RBF智能控制模型的建立和预报 | 第50-52页 |
| 6．3．5．1 RBF智能控制模型构架 | 第50-51页 |
| 6．3．5．2 RBF智能控制模型的建立 | 第51-52页 |
| 6．3．6 RBF智能控制模型的预报 | 第52-54页 |
| 6．3．7 脱硫智能预报系统的程序设计说明 | 第54-58页 |
| 7 结论 | 第58-59页 |
| 致谢 | 第59-60页 |
| 参考文献 | 第60-62页 |