基于神经网络的电弧炉炼钢终点预报方法的研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-21页 |
| 1.1 引言 | 第9-10页 |
| 1.2 电弧炉简介及发展概况 | 第10-12页 |
| 1.3 电弧炉炼钢设备 | 第12-13页 |
| 1.4 电弧炉炼钢工艺及冶炼原理 | 第13-16页 |
| 1.5 电弧炉炼钢的优点 | 第16页 |
| 1.6 本课题的研究背景 | 第16-19页 |
| 1.7 本课题研究的目的及意义 | 第19页 |
| 1.8 本课题的主要工作 | 第19-21页 |
| 第2章 炼钢终点预报方法研究 | 第21-27页 |
| 2.1 概述 | 第21页 |
| 2.2 各种终点预报方法的研究和应用 | 第21-26页 |
| 2.2.1 机理模型 | 第22页 |
| 2.2.2 统计模型 | 第22页 |
| 2.2.3 增量模型 | 第22-23页 |
| 2.2.4 人工智能技术 | 第23-25页 |
| 2.2.5 其他预报方法 | 第25-26页 |
| 2.3 综合评价 | 第26-27页 |
| 第3章 神经网络预报方法研究 | 第27-51页 |
| 3.1 生物神经元网络 | 第27-28页 |
| 3.2 人工神经网络原理 | 第28-39页 |
| 3.2.1 人工神经网络基本概念 | 第28-29页 |
| 3.2.2 人工神经元 | 第29-32页 |
| 3.2.3 人工神经网络的类型 | 第32-33页 |
| 3.2.4 人工神经网络的拓扑结构 | 第33-36页 |
| 3.2.5 人工神经网络的学习 | 第36-38页 |
| 3.2.6 RBF神经网络 | 第38-39页 |
| 3.3 神经网络方法的研究 | 第39-45页 |
| 3.3.1 RBF神经网络的学习算法 | 第41-43页 |
| 3.3.2 混合递阶遗传算法优化RBF网络模型 | 第43-45页 |
| 3.4 建模与方法研究 | 第45-51页 |
| 3.4.1 模型结构的确定 | 第45-47页 |
| 3.4.2 输入量的选择 | 第47-48页 |
| 3.4.3 输入输出数据预处理 | 第48-49页 |
| 3.4.4 隐含层数与节点数的选择 | 第49-50页 |
| 3.4.5 样本的确定 | 第50-51页 |
| 第4章 终点预报方法的仿真研究 | 第51-59页 |
| 4.1 MATLAB简介 | 第51页 |
| 4.2 预报结果 | 第51-56页 |
| 4.3 误差分析 | 第56-57页 |
| 4.4 终点预报方法的展望 | 第57-59页 |
| 第5章 总结与展望 | 第59-61页 |
| 参考文献 | 第61-65页 |
| 致谢 | 第65页 |
