| 中文摘要 | 第1-5页 |
| 英文摘要 | 第5-10页 |
| 1 绪论 | 第10-15页 |
| 1．1 课题研究的意义 | 第10-12页 |
| 1．1．1 钒的重要应用价值 | 第10页 |
| 1．1．2 国内外提钒工艺的发展及现状 | 第10-11页 |
| 1．1．3 我国攀西地区钒资源及攀钢在提钒技术上的贡献 | 第11页 |
| 1．1．4 数学模型在转炉提钒过程中的重要性 | 第11-12页 |
| 1．2 国内外转炉提钒静态模型的发展、现状及趋势 | 第12-15页 |
| 1．2．1 国内外转炉提钒静态模型的发展 | 第12-14页 |
| 1．2．2 转炉控制模型研究状况 | 第14页 |
| 1．2．3 转炉提钒控制模型研究现状和趋势 | 第14-15页 |
| 2 提钒工艺简介及分析 | 第15-21页 |
| 2．1 转炉提钒工艺 | 第15-18页 |
| 2．1．1 撇渣处理 | 第15-16页 |
| 2．1．2 吹钒过程 | 第16-17页 |
| 2．1．3 转炉提钒原材料 | 第17页 |
| 2．1．4 其他材料 | 第17-18页 |
| 2．2 转炉提钒经济指标 | 第18-19页 |
| 2．2．1 钒渣质量状况 | 第18页 |
| 2．2．2 半钢质量 | 第18页 |
| 2．2．3 冶炼周期 | 第18-19页 |
| 2．3 提钒工艺分析 | 第19-21页 |
| 2．3．1 铁水成分的影响 | 第19页 |
| 2．3．2 吹炼终点温度对钒渣中全铁含量影响 | 第19页 |
| 2．3．3 冷却剂的种类、加入量和加入时间的影响 | 第19-20页 |
| 2．3．4 供氧制度的影响 | 第20-21页 |
| 3 建模技术及原理 | 第21-34页 |
| 3．1 常用建模技术 | 第21-24页 |
| 3．1．1 机理法 | 第21页 |
| 3．1．2 数理统计法 | 第21-22页 |
| 3．1．3 神经网络法 | 第22页 |
| 3．1．4 演化方法 | 第22-23页 |
| 3．1．5 支持向量机 | 第23-24页 |
| 3．2 神经网络原理 | 第24-27页 |
| 3．2．1 神经网络原理 | 第24-26页 |
| 3．2．2 神经网络建模的关键问题 | 第26-27页 |
| 3．3 RBF神经网络算法 | 第27-31页 |
| 3．4 遗传算法 | 第31-34页 |
| 4 转炉提钒静态模型的建立 | 第34-52页 |
| 4．1 建立模型条件 | 第34-35页 |
| 4．1．1 提钒转炉铁水装入量情况 | 第34页 |
| 4．1．2 提钒工艺制度规范，冷却剂成份相对稳定 | 第34页 |
| 4．1．3 提钒供氧强度稳定 | 第34页 |
| 4．1．4 铁水带渣量稳定 | 第34-35页 |
| 4．2 提钒静态模型的实施方案 | 第35-36页 |
| 4．2．1 系统网络拓扑结构 | 第35页 |
| 4．2．2 提钒静态模型的系统输入输出参数 | 第35-36页 |
| 4．3 RBF神经网络在转炉提钒模型的应用 | 第36-43页 |
| 4．3．1 数据预处理 | 第36-38页 |
| 4．3．2 神经网络中心的选择问题 | 第38-39页 |
| 4．3．3 权值计算 | 第39页 |
| 4．3．4 预报 | 第39页 |
| 4．3．5 提钒静态模型的建立 | 第39-43页 |
| 4．4 遗传算法在提钒静态模型中的应用 | 第43-48页 |
| 4．4．1 遗传算法的基本特征 | 第43-44页 |
| 4．4．2 编码方案 | 第44页 |
| 4．4．3 适应性的度量 | 第44-45页 |
| 4．4．4 选择策略 | 第45页 |
| 4．4．5 遗传算子的设计 | 第45-46页 |
| 4．4．6 控制参数的选取及终止准则的选择 | 第46页 |
| 4．4．7 算法框图 | 第46-48页 |
| 4．5 优化结果 | 第48-49页 |
| 4．6 冷却剂加入量模型 | 第49-52页 |
| 5 转炉提钒静态模型的程序实现 | 第52-57页 |
| 5．1 系统的软件结构 | 第52-53页 |
| 5．2 运行实例 | 第53-57页 |
| 6 结论与展望 | 第57-58页 |
| 致谢 | 第58-59页 |
| 参考文献 | 第59-60页 |