基于人工神经网络的烧结矿化学成分预报系统的研究
| 前言 | 第1-7页 |
| 1 文献综述 | 第7-21页 |
| 1．1 烧结过程的控制现状 | 第7-14页 |
| 1．1．1 烧结过程自动控制的发展现状 | 第7-9页 |
| 1．1．2 烧结过程数学模型的研究现状 | 第9-14页 |
| 1．2 人工神经网络技术在钢铁工业中的应用现状 | 第14-19页 |
| 1．3 烧结矿化学成分的控制现状 | 第19-21页 |
| 2 烧结矿化学成分的预报方法 | 第21-24页 |
| 2．1 烧结矿化学成分预报的必要性 | 第21-22页 |
| 2．2 预报方法的研究 | 第22-23页 |
| 2．3 本章小结 | 第23-24页 |
| 3 烧结矿化学成分人工神经网络预报模型的研究 | 第24-30页 |
| 3．1 神经网络模型 | 第24页 |
| 3．2 BP算法 | 第24-27页 |
| 3．2．1 线性再励的自适应变化学习率 | 第25页 |
| 3．2．2 神经元作用函数的选择 | 第25-27页 |
| 3．2．3 网络初始权值的选择 | 第27页 |
| 3．3 神经网络的拓朴结构 | 第27-29页 |
| 3．4 本章小结 | 第29-30页 |
| 4 烧结矿化学成分预报系统的研究与开发 | 第30-52页 |
| 4．1 预报系统的开发 | 第30-43页 |
| 4．1．1 神经网络的初始化训练 | 第30-38页 |
| 4．1．1．1 输入输出参数的确定 | 第31-32页 |
| 4．1．1．2 数据的采集预处理 | 第32-34页 |
| 4．1．1．3 时滞d和模型阶数n的确定 | 第34-35页 |
| 4．1．1．4 预报模型的准确度评价方法 | 第35-36页 |
| 4．1．1．5 网络的初始化训练 | 第36-38页 |
| 4．1．2 神经网络预报模型的在线自适应学习 | 第38-43页 |
| 4．2 预报系统软件的开发 | 第43-46页 |
| 4．2．1 软件的开发语言 | 第43页 |
| 4．2．2 软件的组成 | 第43-46页 |
| 4．3 软件的运行和验证 | 第46-51页 |
| 4．3．1 软件的运行 | 第46-48页 |
| 4．3．2 软件的验证 | 第48-51页 |
| 4．4 本章小结 | 第51-52页 |
| 5 基于神经网络预报的烧结矿化学成分的控制策略 | 第52-54页 |
| 6 结论 | 第54-55页 |
| 参考文献 | 第55-60页 |
| 致谢 | 第60页 |
