| 摘要 | 第1-6页 |
| Abstract | 第6-9页 |
| 第1章 绪论 | 第9-17页 |
| ·研究背景及意义 | 第9-10页 |
| ·加热炉工艺过程简介 | 第10-13页 |
| ·加热炉的分类 | 第10-11页 |
| ·高效蓄热式加热炉的工作原理 | 第11页 |
| ·蓄热式高风温燃烧技术的发展 | 第11-12页 |
| ·蓄热式高风温燃烧器的主要组成部分及特点 | 第12-13页 |
| ·国内外工业生产过程控制的研究概况 | 第13-14页 |
| ·关于工业生产过程控制模型的发展 | 第13-14页 |
| ·静态控制模型在钢铁行业中的应用 | 第14页 |
| ·加热炉建模发展概况 | 第14-15页 |
| ·本文主要工作 | 第15-17页 |
| 第2章 人工神经网络与智能优化方法 | 第17-29页 |
| ·神经网络 | 第17-23页 |
| ·神经网络概述 | 第17-18页 |
| ·人工神经元模型 | 第18-20页 |
| ·人工神经网络的分类及其工作方式 | 第20-22页 |
| ·人工神经网络发展 | 第22-23页 |
| ·RBF神经网络 | 第23-26页 |
| ·RBF神经网络简介 | 第23-24页 |
| ·RBF网络的模型特点与结构 | 第24-26页 |
| ·智能优化方法 | 第26-28页 |
| ·微分进化算法的原理和特点 | 第26-27页 |
| ·最小二乘法 | 第27-28页 |
| ·本章小结 | 第28-29页 |
| 第3章 基于神经网络的钢温预测模型 | 第29-55页 |
| ·基于RBF神经网络的钢坯温度预报模型 | 第29-35页 |
| ·网络模型的层次结构 | 第30页 |
| ·数据预处理 | 第30-31页 |
| ·输入量与输出量的确定 | 第31-32页 |
| ·RBF的训练方法 | 第32-34页 |
| ·RBF网络模型仿真与分析 | 第34-35页 |
| ·K-means-RBF模型 | 第35-40页 |
| ·K-means算法的优化原理 | 第35-36页 |
| ·K-means优化RBF神经网络 | 第36-38页 |
| ·K-means-RBF网络模型仿真与分析 | 第38-40页 |
| ·DE-RBF模型 | 第40-47页 |
| ·DE算法的优化原理 | 第40-42页 |
| ·DE优化RBF神经网络 | 第42-45页 |
| ·DE-RBF网络模型仿真与分析 | 第45-47页 |
| ·OLS-RBF模型 | 第47-54页 |
| ·OLS算法的优化原理 | 第48-51页 |
| ·OLS优化RBF神经网络 | 第51-53页 |
| ·OLS-RBF网络模型仿真与分析 | 第53-54页 |
| ·本章小结 | 第54-55页 |
| 第4章 一种新的基于DEOLS-RBF的钢温预测模型 | 第55-63页 |
| ·正交最小二乘算法与微分进化算法的分析 | 第55-56页 |
| ·OLS算法的分析 | 第55-56页 |
| ·微分进化算法的分析 | 第56页 |
| ·微分进化正交最小二乘学习算法的优化原理 | 第56-58页 |
| ·微分进化正交最小二乘学习算法优化RBF网络 | 第58-60页 |
| ·DEOLS-RBF网络模型仿真与分析 | 第60-62页 |
| ·本章小结 | 第62-63页 |
| 第5章 结论与展望 | 第63-65页 |
| 参考文献 | 第65-69页 |
| 致谢 | 第69页 |