| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 研究背景和意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-17页 |
| 1.2.1 基于机理的炉况分析方法 | 第13-14页 |
| 1.2.2 基于专家经验的炉况分析方法 | 第14-15页 |
| 1.2.3 基于智能算法的炉况分析方法 | 第15-17页 |
| 1.3 论文的主要研究内容和结构安排 | 第17-19页 |
| 第2章 高炉煤气流指标与炉况关系研究 | 第19-32页 |
| 2.1 引言 | 第19页 |
| 2.2 高炉煤气流的生成过程及主要化学反应 | 第19-22页 |
| 2.3 高炉煤气与炉况关系研究 | 第22-27页 |
| 2.4 煤气流各指标间的关联性分析 | 第27-30页 |
| 2.5 煤气流失常型炉况特征分析 | 第30-31页 |
| 2.6 本章小结 | 第31-32页 |
| 第3章 基于改进回声状态网络的炉腹煤气量指数预测 | 第32-63页 |
| 3.1 引言 | 第32-33页 |
| 3.2 回声状态网络 | 第33-34页 |
| 3.3 融入贝叶斯技术和粒子群优化算法的回声状态网络 | 第34-54页 |
| 3.3.1 粒子群算法中位置偏移量的求解与分析 | 第34-36页 |
| 3.3.2 基于贝叶斯技术的粒子群优化算法设计 | 第36-39页 |
| 3.3.3 BPSO算法性能测试 | 第39-53页 |
| 3.3.4 融入BPSO算法的病态回声状态网络 | 第53-54页 |
| 3.4 基于L-曲线方法的病态回声状态网络 | 第54-58页 |
| 3.5 实验仿真 | 第58-62页 |
| 3.5.1 基于BPSO-ESN的炉腹煤气指数预测 | 第59-60页 |
| 3.5.2 基于LC-ESN算法的炉腹煤气指数预测 | 第60-62页 |
| 3.6 本章小结 | 第62-63页 |
| 第4章 基于改进的Hammerstein模型的炉顶煤气流指标预测 | 第63-81页 |
| 4.1 引言 | 第63-64页 |
| 4.2 基于贝叶斯系统的高炉炉顶煤气指标预测 | 第64-72页 |
| 4.2.1 Hammerstein系统及其预测模型 | 第65-66页 |
| 4.2.2 基于贝叶斯技术的模型参数和阶次辨识 | 第66-72页 |
| 4.3 高炉炉顶煤气各指标的变化范围 | 第72-73页 |
| 4.4 实验仿真 | 第73-79页 |
| 4.4.1 CO2和CO含量的预测 | 第73-74页 |
| 4.4.2 炉顶煤气温度和压力的预测 | 第74-75页 |
| 4.4.3 预测结果的统计分析 | 第75-79页 |
| 4.5 本章小结 | 第79-81页 |
| 第5章 基于改进的T-S模糊系统的高炉输入气流的预测 | 第81-95页 |
| 5.1 引言 | 第81-82页 |
| 5.2 Takagi–Sugeno模糊系统 | 第82-83页 |
| 5.3 基于贝叶斯技术的Takagi–Sugeno系统辨识 | 第83-88页 |
| 5.3.1 高炉风压数据聚类方法 | 第83页 |
| 5.3.2 自适应模糊规则选取算法 | 第83-86页 |
| 5.3.3 后件参数的稀疏表示 | 第86-88页 |
| 5.4 实验仿真 | 第88-94页 |
| 5.4.1 Mackey–Glass时间序列 | 第90-92页 |
| 5.4.2 Box–Jenkins燃气炉系统 | 第92-93页 |
| 5.4.3 高炉风压预测 | 第93-94页 |
| 5.5 本章小结 | 第94-95页 |
| 第6章 高炉煤气流预测系统开发及在炉况分析中的应用 | 第95-102页 |
| 6.1 引言 | 第95页 |
| 6.2 系统概况 | 第95-96页 |
| 6.3 系统结构 | 第96-97页 |
| 6.3.1 系统开发和运行环境 | 第96页 |
| 6.3.2 软件系统模块 | 第96-97页 |
| 6.3.3 数据库设计 | 第97页 |
| 6.4 运行实例 | 第97-101页 |
| 6.5 本章小结 | 第101-102页 |
| 结论 | 第102-104页 |
| 参考文献 | 第104-114页 |
| 攻读博士学位期间承担的科研任务与主要成果 | 第114-115页 |
| 致谢 | 第115页 |
