一、Adaptive prediction system of sintering through point based on self-organize artificial neural network（论文文献综述）
闫成忍[1]（2020）在《基于LM-GA算法的GA-PSO-BP神经网络烧结终点预测控制研究》文中研究说明烧结过程是钢铁冶金生产的一项基础环节,也是非常复杂的非线性动态时变的一个过程。烧结终点（BTP）是指烧结混合料完全烧透的位置,可用烧结机的风箱表示。烧结终点作为烧结状态的一个重要参数,可以直接展现出烧结过程的状态,并对烧结矿的质量、产量有重要影响。烧结终点具有多变量、非线性、强耦合、大滞后等特点,利用系统的机理建模和传统控制方法难以对其准确预测和控制。针对烧结终点难以预测和控制的问题,本文开展了烧结终点预测模型和烧结终点预测控制器的研究。具体研究如下:首先本文在分析烧结过程的特点特性以及影响烧结终点相关因素基础上,确定了五个较大的影响因素:烧结台车运行速度、BRP处（17号）风箱温度、点火温度、布入料层厚度、二混含水量。利用废气风箱温度建立了烧结终点的软测量模型。由于BP神经网络对非线性系统有很强的逼近能力,因此选用BP神经网络做烧结终点模型的辨识,为使BP性能更优,采用遗传-粒子群（GA-PSO）混合算法优化神经网络的权值和阈值,建立了GA-PSO-BP神经网络烧结终点预测模型,通过仿真表明该预测模型具有较高预测精度。然后对于L-M算法对初值较为依赖的缺点,使用遗传算法对L-M算法改进,利用GA算法的全局收敛能力强的优点为L-M算法提供优质初值,从而提高L-M算法的计算速度,克服L-M算法过于依赖初值的不足,经仿真测试表明LM-GA算法的寻优性能更优。最后针对烧结终点的预测控制器做了设计研究。利用GA-PSO-BP建立烧结终点预测模型,在BP神经网络预测控制器的滚动优化部分使用LM-GA算法获取最优初始控制量台车速度,控制器通过台车速度控制烧结终点。通过仿真结果分析,本文设计的烧结终点预测控制器比常规的预测控制器、PID控制器的性能更优,其响应速度更快,调节时间更短,抗干扰能力和鲁棒性更强。
何亮亮[2]（2019）在《基于蚁群算法的RBF神经网络算法研究》文中认为径向基神经网络（RBFNN）其特有的优点,使得它被广泛的应用于模式识别、图像处理、预测、时间序列分析等领域.蚁群算法（ACO）是一种仿生物算法,大量研究表明蚁群算法与其他智能优化算法相比,更能达到全局最优解.本文简要概括了RBF神经网络基础理论、发展动态和蚁群算法的理论基础以及现有的改进方法,重点研究如何将改进后的蚁群算法用于径向基神经网络以解决实际中的问题.首先,建立了基于初始信息素分布和二次挥发的蚁群优化算法模型.针对传统蚁群算法存在的缺陷,提出了一种改进初始信息素和建立信息素二次挥发的蚁群优化算法.并通过4组经典的数据检验蚁群优化算法的有效性,实验结果表明,蚁群优化算法能够加快算法的收敛速度,提高算法的精准度.其次,建立基于蚁群优化算法的RBF神经网络模型.针对基本RBF神经网络存在的缺陷,本文利用蚁群优化算法的全局搜索、隐并行的能力,对RBF神经网络参数w、、c?等进行同步优化,并通过函数拟合实验验证算法的有效性,得出基于蚁群优化算法的RBF神经网络对函数的拟合程度更高,且拟合速度更快.再次,建立了基于改进蚁群聚类算法的RBF神经网络模型.利用改进后蚁群聚类算法的优点,确定出了RBF神经网络中心个数及位置,利用了RLS计算权值,以及梯度下降法对中心值、基函数宽度以及权值进行调整.同时建立基于改进RBF神经网络的上证指数预测模型,仿真结果表明,基于改进蚁群聚类算法的RBF神经网络对上证指数预测误差更小,且预测性能更优.最后,总结全文,展望未来.图21幅,表11个,参考文献50篇
李小成[3]（2014）在《基于铁矿石烧结基础特性的烧结矿质量预报模型》文中研究说明铁矿粉烧结基础特性是铁矿粉质量好坏的重要评价指标之一，是影响烧结矿质量的重要因素。基于铁矿粉烧结基础特性的烧结矿质量预报模型是针对目前我国钢铁企业的铁矿石供应品种多、变化频繁的特点建立的，目的是要解决原料频繁变动条件下的快速确定烧结配矿及烧结矿质量预测的问题。首先论文对我国铁矿石利用现状、铁矿粉烧结基础特性研究现状、烧结配矿研究现状和人工神经网络在钢铁领域的研究现状进行了阐述，并提出以人工神经网络为主要研究方法。其次对人工神经网络的发展历史和基本工作原理进行了介绍，通过阐述神经网络的基础知识和基本的网络模型，分析和探讨了人工神经网络的特点和应用领域。然后对构建基于BP神经网络预测模型进行了详细论述，探讨建立BP神经网络的预测模型的主要技术，主要其中包括训练样本的选取与预处理、输入输出神经元个数的选取、隐层节神经元的确定、初始权和阈值的确定、激活函数、训练函数的选取，最后建立合理的网络模型。最后建立了铁矿粉烧结基础特性预报模型和烧结矿质量预报模型。从预报结果来看，同化性预报命中率达到90%，液相流动性和粘结相强度的预报命中率分别达到75%和70%，对于烧结矿质量的预报，转鼓强度和成品率分别达到了80%，RDI+3.15达到了85%，预报结果达到预期目标。同时该方法也证明在一定误差范围内混矿烧结基础特性与烧结矿质量之间的关系，可用于烧结矿质量的预测中。
徐辰华[4]（2010）在《铅锌烧结过程状态智能预测与优化控制策略》文中研究说明铅锌金属在国防、电子等众多工业领域有广泛的应用,铅锌烧结过程的稳定性及烧结块质量的好坏,对铅锌冶炼生产效率的高低有着举足轻重的影响。烧结过程状态反映了铅锌烧结生产状况,状态的稳定和优化有助于提高烧结块的质量和产量。针对铅锌烧结过程的非线性、不确定性特点,本文主要围绕过程状态智能集成建模与优化控制策略开展研究,取得的研究成果主要包括以下五个方面。（1）综合生产目标与过程状态参数的关系分析及优化控制结构铅锌烧结状态反映了烧结程度,影响到烧结块的质量和产量,并且烧结状态参数众多,对烧结过程综合生产目标的影响程度也不同。本文深入分析操作参数、过程状态参数和综合生产目标的关系,提出了状态集成预测、综合生产目标优化和过程状态参数优化的优化思想。由此确定状态优化控制目标,提出铅锌烧结过程状态智能集成优化控制结构,分析状态集成优化控制的工作原理,从而为铅锌烧结过程的优化控制提供一种新思路。（2）过程状态参数预测模型透气性和烧穿点位置直接影响到烧结块的质量和产量,是铅锌烧结过程控制的重要状态参数。为实现铅锌烧结过程的状态优化控制,不仅需要获得当前实时的状态指标参数,更重要的是获得未来状态的变化趋势。本文针对透气性的时变和不确定性,建立基于RBF神经网络的透气性预测模型,较准确地进行透气性的实时预测。由于烧穿点主要受到烧结料面烟气温度的影响,采用固定点和非固定点的实验方法,研究铅锌烧结机内烟气温度分布规律,采用神经网络建立烟气温度场分布模型,从而建立烧穿点灰色预测模型；考虑工况波动的影响,采用支持向量机建立烧穿点工艺参数预测模型；然后采用动态加权法对两个模型进行集成,建立烧穿点状态预测模型,从而进行烧穿点的实时预测。采用MATLAB7.0仿真软件,对模型进行验证。仿真结果表明,利用本文方法建立的烧穿点集成预测模型能够获得更高的的预测精度,其预测效果和性能优于单一预测模型。（3）基于遗传蚁群算法的状态优化设定为达到高产、优质的生产目标,必须对透气性和烧穿点进行优化控制,使得烧结生产稳定在最优的状态。基于工艺机理分析和控制需求,将过程状态参数和综合生产目标之间的关系,归纳为一个带有不等式约束状态参数指标的综合收益函数形式描述问题。首先采用罚函数法将将具有多约束条件的目标函数转换为无约束的罚函数形式；然后采用遗传算法对目标函数寻优,获得优化问题的次优解；接着采用蚁群算法进行二次优化,结果作为烧结状态的最优设定值。仿真结果验证了该优化算法的有效性。（4）基于自适应免疫禁忌搜索算法的状态优化控制基于铅锌烧结过程状态的预测和状态优化设定,根据状态优化控制目标,将烧结状态优化控制问题归纳为一个非线性多目标优化问题。针对铅锌烧结过程参数难检测、强非线性和时滞的特点,本文研究自适应免疫禁忌优化算法,用于求解获得一组过程操作参数,实现烧结过程的状态稳定优化控制。（5）集成优化控制应用研究基于状态智能集成优化控制器,提出一个状态智能集成优化控制系统递阶结构。结合某企业实际运行数据,对本文所提方法进行仿真验证。优化结果表明,由于对烧结状态采用了优化控制策略,能够使透气性状态和烧穿点状态降低波动,为实现铅锌烧结过程优化控制奠定了基础。
向齐良[5]（2008）在《基于烧结终点预测的烧结过程智能控制系统及应用研究》文中提出铁矿石烧结过程是钢铁生产的重要环节,烧结矿是高炉炼铁的主要原料,烧结矿质量的优劣直接影响到炼铁生产的产量、质量及能源消耗。目前,在我国铁矿石烧结生产过程中,控制技术落后、自动化水平较低的问题已经成为制约烧结矿产量、质量的一个瓶颈。烧结过程是一个具有强非线性、强耦合性、不确定性、时变、时滞的复杂工业过程,采用传统的控制技术难以满足生产要求。本文综合运用机理分析、先进控制理论、人工智能技术等多学科知识,对烧结过程及其控制的方法和技术进行了深入研究,提出一种基于烧结终点预测的烧结过程智能控制策略,建立了相应的智能控制系统,为有效解决铁矿石烧结过程的控制问题提供了新的途径。论文的主要研究内容和贡献如下:（1）基于烧结终点预测的智能控制系统结构针对烧结过程特性和目前烧结生产过程中存在的主要控制问题,综合运用神经网络、模糊控制和专家控制等多种智能控制方法,提出了一种基于烧结终点预测的智能控制系统结构,为解决烧结过程控制问题提供了一种有效的解决方案。（2）烧结终点预测模型针对烧结过程的大滞后性、非线性以及参数信息的不完整性,结合灰色理论和改进的神经网络方法,建立了烧结终点灰色BP神经网络预测模型,在烧结工况稳定时能有效预测烧结终点;针对烧结过程工况不稳定时该模型预测精度不高的缺陷,建立基于主元分析的预测模型,对灰色BP神经网络模型进行修正,实验及应用结果表明其具有较高的预测精度。（3）烧结终点混杂模糊—预测控制模型针对烧结过程的混杂特性,综合运用模糊控制、预测控制等智能化控制方法,建立了烧结终点混杂模糊—预测控制模型。在稳态时,采用模糊控制为主的控制策略;在非稳态时,采用预测控制为主的控制策略。同时,通过研究多模型柔性切换控制技术实现两模型的协同工作,解决了烧结终点的优化控制问题。（4）基于满意度的智能协调优化方法针对台车速度对混合料料槽料位的持续性影响,在建立混合料料槽料位专家控制模型的基础上,采用基于满意度的烧结过程智能协调优化方法,综合协调控制烧结终点和混合料料槽料位,以保证料槽料位处于安全状态的同时,减小烧结终点的波动,从而实现了整个烧结过程的优化控制。（5）烧结过程智能控制系统基于SIMATIC PCS 7集散控制系统,采用一种多层分布式软件体系结构设计了烧结过程智能控制系统的整体框架;利用OPC通信技术实现了应用软件和基础自动化系统的通信;运用VC++6.0完成了系统功能模块的设计,并且实现了烧结终点软测量模型、预测模型、混杂模糊一预测控制以及协调优化等智能优化控制策略。实际工业应用效果验证了该系统的可行性和有效性。通过应用基于烧结终点预测的烧结过程智能控制策略,提高了铁矿石烧结工艺过程优化控制水平,有效地抑制了烧结终点的波动,产量质量得到了提高,降低了工人的劳动强度,取得了显着的经济效益和社会效益。同时也为复杂工业过程优化控制提供一种实用的、值得借鉴的工业化实现方法。
屈文涛[6]（2008）在《基于人工神经网络的烧结终点预测模型研究》文中研究说明烧结为高炉炼铁提供原料,烧结矿产量的高低、质量的优劣都将直接影响到炼铁生产的产量、质量及能源消耗。烧结终点是烧结结束时的位置,作为判断烧结过程的重要参数之一。烧结终点预测是一个多变量、非线性、大时滞问题,采用机理模型或传统的控制理论难以实现对烧结终点的预测和控制。人工神经网络具有自适应、自组织、并行计算和联想记忆等能力,特别适合于描述不确定的和复杂的非线性系统。所以,本文尝试用人工神经网络建模的方法来预测烧结终点。在查阅大量国内外相关文献的基础上,本文首先介绍了烧结终点预测的国内外研究现状,然后分析了烧结基本原理以及人工神经网络的基本理论,通过对生产工艺过程的深入分析,确定了四个影响烧结终点的可在线检测的参数:大烟道负压、风量、机速和点火温度。本文针对BP神经网络和RBF神经网络分别建立了烧结终点预测模型,并从现场采集到95组数据,其中70组数据作为训练样本,分别对网络进行训练,训练后的网络用剩下25组数据,对网络进行预测实验,实验结果表明RBF神经网络预测模型在网络训练速度和预测精度等方面明显优于BP神经网络预测模型。最后,本文提出一种可在线训练的方法,从现场中另取30组连续时间段的数据进行仿真实验,仿真结果表明采用该方法预测烧结终点可以取得良好的效果,对烧结生产具有一定的指导意义。
程武山[7]（2006）在《烧透点递阶智能控制系统的研究与实现》文中指出进入二十一世纪后，我国钢铁产量由1.2亿吨上升到3亿多吨，其在国民经济中的地位尤为凸显，集约化经营思想和社会环保意识迫使我国钢铁企业必须提高劳动生产率、降低能耗和延长设备生命周期。由此可见，提高烧结工业自动化水平，研发具有自主知识产权的烧结递阶智能控制系统具有十分重要的意义。烧结过程是一个工艺流程长、影响因数多、激励复杂的动态系统，采用传统的控制理论和方法难以解决全局控制问题。近年来，以专家系统、模糊控制、人工神经网络为代表的人工智能技术被引入烧结领域，为烧结计算机控制提供了一条有效的途径。烧透点控制是烧结冶铁过程中非常重要的环节，它完成从固态、熔融态和气态的传质和控制水碳及成分的主要过程，但由于其存在着大滞后性、时变性和耦合性，一直需要看火工去人工观察和控制，严重制约了整个烧结过程的自动化水平。本人在经过十六年研究烧结机理和烧结机、泥辊、带冷机、抽风机和鼓风机等大型设备联调的基础上，综合运用烧结理论、计算机技术、控制技术、系统工程和人工智能技术等多学科知识，在此提出和建立了烧透点递阶智能控制系统及其相关的方法和技术。1．针对烧透点过程信息、工艺流程和操作调度的层次性，提出烧透点递阶智能控制系统的系统结构，分全局优化级、局部优化级和现场控制级。2．针对多传感器获取的不确定、非平稳和低噪比的信号，如温度、压力、流量、电量、位移和速度等，采用数据融合的方法进行数据加工处理和集成，使之有机地综合起来，取长补短，共同构划出被控对象的本质特征。3．针对模糊控制与神经网络融合的特点，从理论上和方法上分析和比较了正向和逆向网络、反馈和复合控制、分析预测和在线控制的集成技术。对烧透点大滞后的工艺过程，采用自适应模式聚类神经网络，通过烧结机机头参数实现对机尾烧透点位置的预测，并将该预测值动态修正模糊控制器隶属函数的λ值，以改变模糊控制器的输出，实现对烧结机速度的调节，稳定烧透点位置，从而有效地解决了烧透点大滞后性的难题。4．针对烧透点预测和控制的多变量耦合性特点，提出用主成分制原理对多变量多样本的样本集进行正交化处理的思想，使主成分在系统的预测和控制中发挥主导作用。选择烧结机速度为主控量，层厚及风箱温度压力为辅控量，建立烧结机速度调节的主模糊控制器，实现烧透点位置的有效、快速调节。5．针对烧透点预测和控制中状态参量时变性和多模态性等特点，建立烧透点过程参量的辅助推理机制。该推理机制是用模糊诊断和反向推理方法去实现整体目标，用前向推理方法预测异常情况和给出控制决策。这些方法和控制功能可以增强人们修正和控制烧透点位置的能力，以及限制人为因素的影响和提高整个烧结控制水平。对一些有因果关系但很难定量表述的过程参量去定性描述或转化为相应的模糊推理系统，尤其在系统出现堆切换等原料波动较大或外部干扰较大的环境下，能快速地诊断并给出调整措施，保证烧透点主回路的有效调节。6．用Vc＋＋作为系统程序，以SQL server2000作为数据库，系统采用多线程工作模式，即神经网络训练为一个线程，数据库及相应调用为一个线程，系统运算和界面各为一个线程。由此开发了烧透点递阶智能控制系统，并应用到马钢300m2大型烧结机过程控制中，提高了作业率和一级品率，取得了明显的经济效益和社会效益。
曾垂喜[8]（2005）在《铁矿石烧结性能预报模型的研究》文中研究指明随着现代钢铁工业的不断发展,铁矿石资源不断变化,如何在烧结生产中合理利用这些日益变化的国内外铁矿石资源,使之满足生产的需要,已成为钢铁工业研究的一项重要内容。 本论文针对铁矿石烧结的特点,提出了由数据库、烧结性能预报系统和人工神经网络建模平台组成的总体结构。研究了数据库的存储技术与ADO访问技术,设计了铁矿石烧结性能数据库系统;研究了神经网络的输入输出、神经网络的结构和学习算法,针对BP算法训练速度慢等缺点,提出了误差修正带动量项的自适应调节步长的快速BP神经网络算法,并实现了该算法的程序设计。 研究了铁矿石的基本性质与烧结矿产质量指标之间的内在关系,建立了神经网络结构为12—34—4的铁矿石烧结性能预报模型,并取得了较好的预报效果:烧结转鼓强度的预报命中率为86.87%;烧结速度的预报命中率为83.57%,成品率的预报命中率为91.47%,利用系数的预报命中率为85.73%。
申炳昕[9]（2002）在《基于人工神经网络的烧结矿化学成分预报系统的研究》文中认为烧结矿化学成分的稳定控制是一个困扰烧结领域多年的问题,其主要原因是烧结过程影响因素多、滞后时间长。因此提前预报烧结矿化学成分,是实现烧结矿化学成分稳定控制的关键。 本文综合运用烧结理论和人工神经网络原理,建立了基于人工神经网络的烧结矿化学成分预报模型。 在分析比较几种烧结矿化学成分预报方法的基础上,结合烧结过程的特点,提出用神经网络技术来建立烧结矿化学成分的预报模型。通过对人工神经网络的研究,确定采用三层前向网络,并对BP算法进行了改进;采用了神经网络的结构自组织算法,并对算法中的缺陷给出了改进措施。 分别对每种烧结矿化学成分指标建立了多个神经网络模型,通过初始化训练确定了每种模型的结构;研究了适宜的自适应学习样本数量,解决了神经网络模型实际应用中的实时性问题。 采用功能强大的可视化编程工具VC++开发了系统应用软件。通过现场验证,结果表明:该模型能准确地预报烧结矿的化学成分,区间命中率达到90%以上,为下一步实现烧结矿化学成分的在线控制奠定了基础。
李桃[10]（2000）在《烧结过程智能实时操作指导系统的研究》文中进行了进一步梳理计算机控制是烧结现代化的一个重要标志，它在提高烧结机生产率和烧结矿质量、降低燃料消耗、延长设备寿命等方面发挥着巨大作用。至今我国拥有烧结机达300多台，总烧结面积达18200m2。但是普遍存在自动化水平低的问题，这已经成为制约烧结矿产量、质量提高的主要因素之一。目前国内大、中型烧结机都具备了过程检测和设备控制能力，当务之急是研究烧结过程的全局控制方法，开发烧结工艺的“过程控制”系统。 烧结过程是一个工艺流程长、影响因素多、机理复杂的动态系统，采用传统的控制理论和方法难以解决全局控制问题。近年来，以专家系统、模糊控制、人工神经网络为代表的人工智能技术被引入烧结领域，为烧结计算机控制提供了一条有效的途径。 本文综合运用烧结理论、现代控制理论、人工智能理论等多学科知识，对烧结过程及其控制的理论和方法进行了深入研究。开发烧结过程智能实时操作指导系统，具有重要的理论意义和实用价值。 在分析烧结过程控制的特点后，提出了烧结过程全局控制分长期和短期控制的基本思想，将复杂的烧结全局控制分解为六个子系统，分别完成六个子控制目标，由主系统进行数据采集和烧结总体工况识别，并调度和协调各子系统运行。本论文研究内容包括主系统的数据采集和总体工况识别功能，烧结终点控制子系统和烧结过程异常状况诊断子系统的实现。 本文研究了烧结过程实时信息的在线采集和预处理方法，为实现系统的实时在线控制奠定了基础。 在对烧结机理分析的基础上，确定采用产量、质量、过程透气性和热状态四个类别来评判烧结过程总体工况，并结合专家经验和检测条件，确定了各类别的表征参数。开发了烧结工况识别模型，通过数学模型与知识模型相结合，实现了烧结工况识别。 烧结终点是烧结机操作的主要依据，是烧结过程的关键中间参数，本文对烧结终点控制方法进行了深入细致的研究。针对烧结终点难以定量化和存在时间滞后的问题，提出了终点判断和预报策略。研究了基于时间序列模型的烧结终点自适应预报，并用这种方法比较了三种热状态参数：正常拐点温度、废气温度曲线上升点和废气温度曲线面积对烧结终点的预报效果。选定废气温度曲线上升点作为烧结终点的预报参数。研究了基于人工神经网络的烧结终点自适应预报，研究了神经网络BP算法的改进，提出了神经网络的自组织算法和具有普遍意义的有限新息在线训练方法，满足了神经网络在线训练的实时要求。开发的烧结终点自适应神经网络预报器实现了烧结终点的准确预报。结合该领域专家的操作经验，对烧结终点采取模糊控制措施，并研究了具有通用性的模糊控制规则的在线优化方法，改善了模糊控制系统的动态自适应性能。 在生产中及时地诊断异常的发生并给出操作指导，可以保证烧结过程的顺 烧结过程智能实时操作抬导系统的研究 拘要 利进行。本文研究了烧结过程中出现的典型异常状况的诊断方法，捉出烧结异 常模糊诊断策略，将专家诊断异常和消除异常的经验归纳整理，作为计算机诊 断异常和指导操作的依据。 根据烧结领域知识的特点，研究了综合到知识表达方式和多库多层次知识 库结构，捉出了能够充分表达烷结领域知识模糊性的改进模糊产生式表达方法。 采用多级推理模烈，建立了高效的推理机：总体口标推理采用过程化推理，烧『 结异常类型诊断采川模糊诊断与反向椎理相结合推理，异常原因分析、控制诀 策采用止向推理，提出了模糊规则的不精确推理方法和模糊匹配策略。实现了 专家系统对模糊知识的充分表达和高效运用。 川VC＋＋语言，采H面向对象程序设计方法，开发了烧结过程智能实时操 作指导系统软什，升应山了武钢435ffi2人R0烧结机生产过程的在线操作指导， 获得成功验址。
二、Adaptive prediction system of sintering through point based on self-organize artificial neural network（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、Adaptive prediction system of sintering through point based on self-organize artificial neural network（论文提纲范文）
（1）基于LM-GA算法的GA-PSO-BP神经网络烧结终点预测控制研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题研究背景及目的意义 |
| 1.2 研究现状 |
| 1.2.1 烧结终点检测研究现状 |
| 1.2.2 烧结终点模型研究现状 |
| 1.2.3 烧结终点控制研究现状 |
| 1.3 本文主要内容 |
| 第二章 烧结基本工艺流程及特点分析 |
| 2.1 烧结基本工艺流程 |
| 2.2 烧结过程的特点分析 |
| 2.3 烧结终点控制及影响因素分析 |
| 2.3.1 烧结终点控制 |
| 2.3.2 主要控制问题 |
| 2.3.3 影响因素分析 |
| 2.4 本章小结 |
| 第三章 烧结终点GA-PSO-BP神经网络预测模型建立 |
| 3.1 烧结终点预测基本思想 |
| 3.2 烧结终点软测量模型 |
| 3.3 烧结现场数据处理 |
| 3.3.1 数据滤波处理 |
| 3.3.2 数据平滑处理 |
| 3.3.3 数据归一化处理 |
| 3.4 神经网络建模方法 |
| 3.4.1 神经网络基本原理概述 |
| 3.4.2 BP神经网络 |
| 3.4.3 BP神经网络预测模型 |
| 3.5 基于GA-PSO-BP神经网络预测模型 |
| 3.5.1 遗传算法(GA) |
| 3.5.2 粒子群(PSO)算法 |
| 3.5.3 GA-PSO混合优化算法 |
| 3.5.4 GA-PSO-BP混合优化算法 |
| 3.5.5 算法仿真 |
| 3.6 烧结终点预测模型的实验仿真与分析 |
| 3.7 本章小结 |
| 第四章 预测控制及改进的L-M算法 |
| 4.1 预测控制 |
| 4.1.1 预测控制基本原理 |
| 4.1.2 BP神经网络预测控制 |
| 4.2 L-M算法 |
| 4.3 LM-GA混合算法 |
| 4.4 仿真分析 |
| 4.5 本章小结 |
| 第五章 烧结终点预测控制的仿真研究 |
| 5.1 烧结终点预测控制 |
| 5.2 烧结终点预测控制模型 |
| 5.3 烧结终点预测控制器 |
| 5.3.1 控制器结构 |
| 5.3.2 基于GA改进L-M算法的滚动优化 |
| 5.3.3 控制器算法 |
| 5.4 烧结终点预测控制系统仿真实验及结果分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 附录1 插图列表 |
| 附录2 表格列表 |
| 附录3 部分数据 |
| 在学研究成果 |
| 致谢 |
（2）基于蚁群算法的RBF神经网络算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 RBF神经网络的研究背景及意义 |
| 1.2 RBF神经网络国内外研究现状 |
| 1.3 研究内容与结构 |
| 2 RBF神经网络综述 |
| 2.1 人工神经网络结构及学习过程 |
| 2.2 RBF神经网络简介 |
| 2.2.1 RBF神经网络结构 |
| 2.2.2 RBF神经网络学习算法 |
| 2.2.3 RBF神经网络特点 |
| 2.3 本章小结 |
| 3 基于蚁群优化算法的RBF神经网络算法 |
| 3.1 基本蚁群算法 |
| 3.2 蚁群优化算法 |
| 3.2.1 初始信息素的改进 |
| 3.2.2 信息素挥发因子的改进 |
| 3.2.3 蚁群优化算法步骤 |
| 3.2.4 蚁群优化算法的仿真实验 |
| 3.3 基于蚁群优化算法的RBF神经网络算法 |
| 3.3.1 RBF神经网络参数计算 |
| 3.3.2 蚁群优化算法调节RBF神经网络的步骤 |
| 3.4 基于蚁群优化算法的RBF神经网络在函数拟合上的应用 |
| 3.5 本章小结 |
| 4 基于改进蚁群聚类算法的RBF神经网络算法 |
| 4.1 基本聚类算法 |
| 4.2 改进蚁群聚类算法 |
| 4.2.1 改进蚁群聚类算法的步骤 |
| 4.2.2 改进蚁群聚类算法的仿真实验 |
| 4.3 RBF神经参数计算及优化 |
| 4.3.1 RBF神经网络权值的计算 |
| 4.3.2 RBF神经网络参数的调整 |
| 4.3.3 基于改进蚁群聚类算法的RBF神经网络整体优化算法 |
| 4.4 改进蚁群聚类算法的RBF神经网络在上证指数预测上的应用 |
| 4.4.1 上证指数预测的RBF神经网络模型建立 |
| 4.4.2 数据来源与预处理 |
| 4.4.3 上证指数预测的实现与结果分析 |
| 4.5 本章小结 |
| 5 总结与展望 |
| 5.1 研究总结 |
| 5.2 未来展望 |
| 参考文献 |
| 附录A |
| 附录B |
| 附录C |
| 作者攻读学位期间发表学术论文清单 |
| 致谢 |
（3）基于铁矿石烧结基础特性的烧结矿质量预报模型（论文提纲范文）
| 摘要 |
| Abstract |
| 引言 |
| 第1章 文献综述 |
| 1.1 我国铁矿石的利用现状 |
| 1.2 铁矿石烧结的基础特性研究现状 |
| 1.2.1 单种矿烧结的基础特性研究现状 |
| 1.2.2 混合矿基础特性的研究现状 |
| 1.3 烧结配矿的研究现状 |
| 1.3.1 优化配矿数学模型的研究 |
| 1.3.2 烧结配矿优化试验的研究 |
| 1.4 人工神经网络在钢铁行业中的应用现状 |
| 1.4.1 国外人工神经网络在钢铁企业的应用现状 |
| 1.4.2 国内人工神经网络在钢铁企业的应用现状 |
| 1.5 论文的提出 |
| 第2章 预报模型建立的方法及研究思路 |
| 2.1 建模方法的研究 |
| 2.2 研究思路 |
| 第3章 对人工神经网络及 BP 神经网络的研究 |
| 3.1 对人工神经网络的研究 |
| 3.1.1 人工神经网络简介及发展历史 |
| 3.1.2 人工神经网络的基本特征 |
| 3.1.3 人工神经网络的组成要素 |
| 3.2 BP 神经网络 |
| 3.2.1 BP 神经网络的概述 |
| 3.2.2 BP 神经网络的组成 |
| 3.2.3 BP 神经网络的局限性及改进 |
| 3.2.4 BP 神经网络的学习步骤 |
| 3.3 本章小结 |
| 第4章 基于 BP 神经网络的铁矿粉烧结基础特性预报模型 |
| 4.1 铁矿粉烧结基础特性预报模型的构建步骤 |
| 4.1.1 模型输入输出参数的确定 |
| 4.1.2 隐含层神经元的确定 |
| 4.1.3 BP 神经网络的初始化 |
| 4.1.4 学习速率的选取 |
| 4.1.5 激励函数的选取 |
| 4.1.6 训练终止条件 |
| 4.1.7 BP 神经网络的测试 |
| 4.2 基于 MATLAB 神经网络工具箱的 BP 网络的建立 |
| 4.2.1 训练数据预处理 |
| 4.2.2 BP 神经网络的创建 |
| 4.2.3 网络训练 |
| 4.2.4 基于 BP 神经网络的铁矿粉同化性预测模型的实现 |
| 4.2.5 网络检验 |
| 4.2.6 铁矿粉液相流动性和粘结相强度的预测模型 BP 神经网络的实现 |
| 4.3 基于 BP 神经网络的混矿烧结基础特性预报模型的构建 |
| 4.3.1 单矿与混矿烧结基础特性间的关系 |
| 4.3.3 混矿烧结基础特性的预报 |
| 4.4 本章小结 |
| 第5章 基于 BP 神经网络的烧结矿质量预报模型 |
| 5.1 模型建立原理 |
| 5.1.1 模型建立可行性分析 |
| 5.1.2 建模步骤 |
| 5.2 基于 BP 神经网络的烧结矿质量预报模型的建立 |
| 5.2.1 数据选取及处理 |
| 5.2.2 烧结矿质量预报模型的建立 |
| 5.2.3 预测结果 |
| 5.3 本章小结 |
| 结论 |
| 参考文献 |
| 附录 BP 神经网络主要代码 |
| 致谢 |
| 导师简介 |
| 作者简介 |
| 学位论文数据集 |
（4）铅锌烧结过程状态智能预测与优化控制策略（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 烧结生产机理与理论模型 |
| 1.2.2 烧结过程状态预测方法 |
| 1.2.3 多目标优化控制方法 |
| 1.3 建模与优化控制问题 |
| 1.4 状态智能预测与优化控制的基本思想 |
| 1.5 论文主要研究内容与结构安排 |
| 第二章 综合生产目标与过程状态参数的关系分析及优化控制结构 |
| 2.1 密闭鼓风铅锌烧结过程的机理分析 |
| 2.1.1 ISP烧结工艺流程 |
| 2.1.2 烧结焙烧的基本原理 |
| 2.2 综合生产目标与过程状态参数的关系分析 |
| 2.2.1 状态参数对生产目标的影响分析 |
| 2.2.2 烧结过程状态优化控制的重要性分析 |
| 2.3 状态优化控制结构与工作原理 |
| 2.3.1 智能集成优化控制 |
| 2.3.2 优化控制结构和工作原理分析 |
| 2.4 本章小结 |
| 第三章 铅锌烧结过程状态智能预测模型 |
| 3.1 机理分析和数据处理 |
| 3.1.1 过程操作参数对状态参数的影响分析 |
| 3.1.2 建模数据处理 |
| 3.2 透气性智能预测模型 |
| 3.2.1 综合透气性指数模型 |
| 3.2.2 基于神经网络的透气性预测模型 |
| 3.2.3 综合透气性智能预测模型 |
| 3.2.4 仿真结果与分析 |
| 3.3 烧穿点智能集成预测模型 |
| 3.3.1 基于支持向量机的烧穿点工艺参数预测模型 |
| 3.3.2 基于灰色理论的烧穿点时间序列预测模型 |
| 3.3.3 基于动态加权的烧穿点集成预测模型 |
| 3.3.4 仿真结果与分析 |
| 3.4 本章小结 |
| 第四章 基于遗传蚁群智能算法的烧结过程状态优化设定 |
| 4.1 状态参数优化设定模块 |
| 4.2 烧结块质量指标预测模型 |
| 4.2.1 输入变量的确定 |
| 4.2.2 模型结构 |
| 4.3 状态设定决策单元 |
| 4.4 状态稳态优化设定问题描述 |
| 4.4.1 稳态优化 |
| 4.4.2 基于惩罚函数法的优化目标函数 |
| 4.5 基于遗传蚁群算法的状态优化设定 |
| 4.5.1 遗传算法 |
| 4.5.2 蚁群算法 |
| 4.5.3 遗传蚁群算法优化 |
| 4.6 优化算法的收敛性分析 |
| 4.7 仿真结果与分析 |
| 第五章 基于自适应免疫禁忌算法的烧结过程状态优化策略 |
| 5.1 多目标优化问题数学描述 |
| 5.1.1 Pareto支配关系 |
| 5.1.2 Pareto最优解定义 |
| 5.2 基于自适应免疫禁忌算法的烧结过程状态多目标优化 |
| 5.2.1 具有不等式约束条件的烧结状态多目标优化问题描述 |
| 5.2.2 基于模糊集理论的自适应免疫禁忌算法优化 |
| 5.3 优化算法的收敛性分析 |
| 5.4 仿真结果与分析 |
| 5.5 本章小结 |
| 第六章 烧结过程状态智能集成优化控制应用研究 |
| 6.1 研究对象的描述 |
| 6.2 烧结状态智能集成优化控制策略 |
| 6.2.1 智能集成优化控制策略的提出 |
| 6.2.2 智能集成优化控制系统结构设计 |
| 6.3 状态智能集成优化控制算法实现 |
| 6.4 优化控制策略验证结果分析 |
| 6.5 本章小结 |
| 第七章 结论与展望 |
| 7.1 结论 |
| 7.2 展望 |
| 参考文献 |
| 攻读博士学位期间发表及完成论文情况 |
| 攻读博士学位期间参加的科研项目情况 |
| 攻读博士学位期间获奖情况 |
| 致谢 |
（5）基于烧结终点预测的烧结过程智能控制系统及应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与目的意义 |
| 1.2 国内外研究与应用现状 |
| 1.2.1 国内外烧结过程控制技术研究现状 |
| 1.2.2 国内外烧结过程检测和控制系统发展现状 |
| 1.3 烧结过程控制中存在的主要问题 |
| 1.4 论文主要内容及构成 |
| 第二章 烧结过程智能优化控制结构 |
| 2.1 烧结过程及其特点 |
| 2.1.1 烧结过程工艺 |
| 2.1.2 烧结过程特点 |
| 2.2 主要控制问题 |
| 2.3 烧结过程智能控制结构 |
| 2.3.1 烧结过程智能优化控制思想 |
| 2.3.2 智能优化控制结构 |
| 2.4 智能优化控制的工作原理 |
| 2.5 小结 |
| 第三章 烧结终点预测方法 |
| 3.1 烧结终点预测基本思想 |
| 3.2 烧结终点软测量模型 |
| 3.3 数据预处理与预测参数确定 |
| 3.4 烧结终点灰色神经网络预测模型 |
| 3.4.1 BRP时间序列灰色模型 |
| 3.4.2 烧结终点预测模型结构 |
| 3.4.3 烧结终点预测模型的学习算法 |
| 3.4.4 烧结终点预测模型训练 |
| 3.5 烧结终点预测模型修正及自学习 |
| 3.5.1 烧结终点预测模型的修正思想 |
| 3.5.2 基于主元分析的烧结终点预测模型 |
| 3.5.3 烧结终点预测模型的自适应方法 |
| 3.6 实际预测效果 |
| 3.7 小结 |
| 第四章 烧结过程智能控制策略 |
| 4.1 烧结终点智能控制策略 |
| 4.1.1 烧结终点控制特性分析 |
| 4.1.2 混杂智能控制结构设计 |
| 4.1.3 模糊控制器设计 |
| 4.1.4 预测模糊控制器设计 |
| 4.1.5 软切换模型 |
| 4.1.6 控制器仿真及结果分析 |
| 4.2 基于满意度的烧结过程智能协调控制策略 |
| 4.2.1 满意优化的基本原理 |
| 4.2.2 满意度的基本概念 |
| 4.2.3 单一参数的满意度建模 |
| 4.2.4 综合满意度建模及求解 |
| 4.2.5 智能协调控制仿真及结果分析 |
| 4.3 小结 |
| 第五章 智能优化控制系统实现与工业应用 |
| 5.1 智能优化控制系统结构与功能设计 |
| 5.1.1 系统整体结构 |
| 5.1.2 功能模块设计 |
| 5.2 应用软件实现 |
| 5.2.1 软件体系结构 |
| 5.2.2 控制算法实现 |
| 5.2.3 软件总体流程 |
| 5.3 数据通信及数据管理 |
| 5.3.1 OPC数据访问规范 |
| 5.3.2 OPC同步通信机制的实现 |
| 5.4 工业运行效果 |
| 5.5 小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间发表及完成论文情况 |
| 攻读博士学位期间参加的科研项目情况 |
（6）基于人工神经网络的烧结终点预测模型研究（论文提纲范文）
| 摘要 |
| Abstract |
| 目录 |
| 第1章 绪论 |
| 1.1 课题的背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 论文的主要工作 |
| 1.4 本文的组织结构 |
| 1.5 本章小结 |
| 第2章 烧结基本原理 |
| 2.1 烧结生产的基本工艺流程 |
| 2.2 烧结过程的主要化学反应 |
| 2.2.1 去硫反应 |
| 2.2.2 氧化物的分解、还原以及氧化反应 |
| 2.3 烧结过程特点 |
| 2.4 烧结终点 |
| 2.4.1 烧结终点及其计算 |
| 2.4.2 影响烧结终点的主要因素 |
| 2.5 本章小结 |
| 第3章 人工神经网络基本理论 |
| 3.1 人工神经网络发展简史 |
| 3.2 人工神经网络的基本特征 |
| 3.3 人工神经元模型 |
| 3.4 BP神经网络基本理论 |
| 3.4.1 BP神经网络的基本结构 |
| 3.4.2 BP神经网络的学习算法 |
| 3.4.3 BP算法的改进 |
| 3.5 RBF神经网络基本理论 |
| 3.5.1 RBF神经网络的拓扑结构 |
| 3.5.2 RBF神经网络的映射关系 |
| 3.5.3 RBF神经网络的训练准则和常用算法 |
| 3.6 人工神经网络工具箱 |
| 3.7 人工神经网络泛化能力分析 |
| 3.8 本章小结 |
| 第4章 基于人工神经网络的烧结终点预测模型 |
| 4.1 不同预测模型建模方法的探讨 |
| 4.1.1 机理建模方法 |
| 4.1.2 回归分析建模方法 |
| 4.1.3 人工神经网络建模方法 |
| 4.2 烧结终点预测问题的描述 |
| 4.3 预测误差评价函数 |
| 4.4 预测模型流程图 |
| 4.5 样本数据分析 |
| 4.5.1 输入输出量的选择 |
| 4.5.2 数据的准备 |
| 4.5.3 数据预处理 |
| 4.6 基于BP神经网络的烧结终点预测模型 |
| 4.6.1 BP神经网络模型的建立 |
| 4.6.2 烧结终点预测实例仿真及分析 |
| 4.6.3 预测结果对比分析 |
| 4.7 基于RBF神经网络的烧结终点预测模型 |
| 4.7.1 可行性分析 |
| 4.7.2 RBF神经网络预测模型的建立 |
| 4.7.3 算法的确定及实现 |
| 4.7.4 网络仿真及分析 |
| 4.8 在线训练及其实现 |
| 4.9 本章小结 |
| 第5章 全文总结和研究展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间发表的学术论文 |
（7）烧透点递阶智能控制系统的研究与实现（论文提纲范文）
| 中文摘要 |
| 英文摘要 |
| 第一章 绪论 |
| 1.1 烧结复杂工艺过程 |
| 1.1.1 冶金工艺流程 |
| 1.1.2 烧结工艺流程 |
| 1.1.3 烧透点工艺特点 |
| 1.2 烧透点复杂过程数学模型研究现状 |
| 1.2.1 过程模拟模型 |
| 1.2.2 参数优化模型 |
| 1.2.3 过程控制模型 |
| 1.3 烧透点人工智能技术的研究现状 |
| 1.3.1 人工智能发展 |
| 1.3.2 人工智能技术在烧透点预测控制中的应用 |
| 1.4 烧透点控制中存在的问题 |
| 1.5 本文的选题和主要内容 |
| 1.5.1 选题与意义 |
| 1.5.2 本文内容安排 |
| 第二章 递阶智能控制系统的数据处理和融合 |
| 2.1 递阶智能控制系统的信息的层次和特征 |
| 2.1.1 信息的层次 |
| 2.1.2 信息的特征 |
| 2.2 智能系统的信息处理 |
| 2.2.1 基本概念 |
| 2.2.2 基本方法 |
| 2.3 智能系统的数据处理 |
| 2.3.1 分解与综合 |
| 2.3.2 数据融合 |
| 2.4 本章小结 |
| 第三章 递阶智能控制系统的基本模型和算法 |
| 3.1 神经网络的结构分析 |
| 3.2 神经网络的算法分析 |
| 3.2.1 NN的信息流 |
| 3.2.2 BP算法及其改进 |
| 3.2.3 基于数值优化的网络训练算法 |
| 3.2.4 多种算法性能比较 |
| 3.2.5 算法仿真 |
| 3.3 遗传算法的优化策略 |
| 3.3.1 简单SGA基本概念 |
| 3.3.2 操作算子 |
| 3.3.3 GA的运行过程 |
| 3.4 模糊系统的理论分析 |
| 3.4.1 模糊集合的运算 |
| 3.4.2 模糊控制器 |
| 3.4.3 模糊系统的通用逼近性 |
| 3.5 智能推理机制的分析 |
| 3.5.1 发展过程 |
| 3.5.2 知识表示 |
| 3.5.3 推理机 |
| 3.5.4 推理机制建立的具体过程 |
| 3.6 系统的优化结构 |
| 3.7 本章小结 |
| 第四章 烧透点的自适应神经网络预测 |
| 4.1 遗传神经网络的原理 |
| 4.2 遗传神经网络的自适应性分析 |
| 4.2.1 以指数形式实现交叉和变异 |
| 4.2.2 以平均适应度形式实现交叉和变异 |
| 4.2.3 仿真试验与结果分析 |
| 4.3 混合型遗传神经网络 |
| 4.3.1 不同混合方法的论述 |
| 4.3.2 仿真试验 |
| 4.3.3 结果分析 |
| 4.4 变结构神经网络 |
| 4.4.1 BP网络结构参数的编码 |
| 4.4.2 基于GA的变结构神经网络 |
| 4.4.3 变结构与其它算法的仿真比较 |
| 4.5 自适应聚类遗传神经网络 |
| 4.5.1 预测模型建立 |
| 4.5.2 自适应模式聚类 |
| 4.5.3 实例仿真 |
| 4.6 多种遗传神经网络的比较 |
| 4.7 本章小结 |
| 第五章 烧透点的模糊神经网络控制 |
| 5.1 烧透点工艺的复杂性 |
| 5.2 模糊神经网络 |
| 5.2.1 FC与NN的关系 |
| 5.2.2 FC与NN的融合结构 |
| 5.2.3 隶属函数对控制性能作用 |
| 5.3 烧透点模糊神经网络控制系统分析 |
| 5.3.1 FNN控制系统 |
| 5.3.2 实例仿真与结果分析 |
| 5.4 本章小结 |
| 第六章 烧透点的智能辅助推理系统 |
| 6.1 烧透点的多变量耦合性 |
| 6.1.1 烧透点控制中的一些重要参数 |
| 6.1.2 烧结过程状态与参数间的关系 |
| 6.2 烧透点辅助推理系统的建立 |
| 6.2.1 递阶智能推理系统结构 |
| 6.2.2 推理方式的确定 |
| 6.2.3 冲突消解 |
| 6.2.4 知识库的管理 |
| 6.3 烧透点辅助推理系统的自学习 |
| 6.3.1 基于规则的自学习控制系统 |
| 6.3.2 烧透点参数偏离子空间 |
| 6.3.3 烧透点辅助推理系统的优化推理模型 |
| 6.4 本章小结 |
| 第七章 烧透点递阶智能控制系统的开发与实现 |
| 7.1 烧透点递阶智能控制系统的开发过程 |
| 7.1.1 开发环境 |
| 7.1.2 开发过程 |
| 7.2 系统的设计 |
| 7.2.1 系统框架设计 |
| 7.2.2 烧透点ANN预测与FNN控制的集成 |
| 7.2.3 推理机制的实现 |
| 7.3 系统的调试与运行 |
| 7.4 本章小结 |
| 第八章 结论与展望 |
| 8.1 主要结论 |
| 8.2 今后的展望 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间发表的学术论文及承担的科研项目 |
| 1. 学术论文 |
| 2. 科研项目 |
（8）铁矿石烧结性能预报模型的研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 目录 |
| 第一章 文献综述 |
| 1.1 铁矿石资源及其利用现状 |
| 1.2 铁矿石烧结性能的研究现状 |
| 1.3 铁矿石烧结数学模型的研究现状 |
| 1.4 人工神经网络在钢铁工业中的应用现状 |
| 1.4.1 国内人工神经网络在烧结工业中开发、应用情况 |
| 1.4.2 国外人工神经网络在烧结工业中开发、应用情况 |
| 1.4.3 国内人工神经网络在高炉中开发、应用情况 |
| 1.4.4 国外人工神经网络在高炉中开发、应用情况 |
| 1.5 论文的提出 |
| 第二章 预报模型的研究策略 |
| 2.1 建模方法的研究 |
| 2.2 总体结构的研究 |
| 2.3 本章小结 |
| 第三章 数据库系统的设计 |
| 3.1 数据库系统的存储访问技术 |
| 3.1.1 数据库类型 |
| 3.1.2 Visual C++ 6.0数据库访问技术 |
| 3.1.3 ADO技术访问数据库 |
| 3.2 数据库系统的结构 |
| 3.2.1 结构设计 |
| 3.2.2 数据库文件类型 |
| 3.2.3 数据库的存储结构 |
| 3.2.4 数据库的内容 |
| 3.3 本章小结 |
| 第四章 预报模型的研究与建立 |
| 4.1 模型结构的确定 |
| 4.1.1 层数的确定 |
| 4.1.2 输入输出节点数的确定 |
| 4.1.3 隐含层数目与隐含层单元数 |
| 4.1.4 初始权值和阈值 |
| 4.1.5 激励函数 |
| 4.1.6 训练方式的选择 |
| 4.1.7 训练终止条件 |
| 4.2 模型学习算法的研究 |
| 4.2.1 评价函数 |
| 4.2.2 改进的BP算法 |
| 4.2.3 程序算法设计 |
| 4.3 样本的获取 |
| 4.3.1 数据有效性检验 |
| 4.3.2 样本大小 |
| 4.3.3 数据变换 |
| 4.4 输入、输出参数的研究 |
| 4.4.1 铁矿石烧结性能的评价指标 |
| 4.4.2 铁矿石烧结性能的影响因素 |
| 4.5 预报模型的评估方法 |
| 4.6 预报模型的建立 |
| 4.6.1 单输入单输出 |
| 4.6.2 多输入单输出 |
| 4.6.3 多输入多输出 |
| 4.6.4 预报模型的确定 |
| 4.7 本章小结 |
| 第五章 预报模型软件的开发与实现 |
| 5.1 软件功能设计 |
| 5.2 用VC++实现软件开发 |
| 5.3.1 数据库的实现 |
| 5.3.2 预报模型算法的实现 |
| 5.3.3 图形显示技术 |
| 5.3 预报模型人机界面实现 |
| 5.3.1 登陆连接数据源 |
| 5.3.2 数据库子系统 |
| 5.3.3 建模子系统 |
| 5.3.4 预报子系统 |
| 5.3.5 辅助计算 |
| 5.4 本章小结 |
| 第六章 结论与展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间主要的研究成果 |
（9）基于人工神经网络的烧结矿化学成分预报系统的研究（论文提纲范文）
| 前言 |
| 1 文献综述 |
| 1.1 烧结过程的控制现状 |
| 1.1.1 烧结过程自动控制的发展现状 |
| 1.1.2 烧结过程数学模型的研究现状 |
| 1.2 人工神经网络技术在钢铁工业中的应用现状 |
| 1.3 烧结矿化学成分的控制现状 |
| 2 烧结矿化学成分的预报方法 |
| 2.1 烧结矿化学成分预报的必要性 |
| 2.2 预报方法的研究 |
| 2.3 本章小结 |
| 3 烧结矿化学成分人工神经网络预报模型的研究 |
| 3.1 神经网络模型 |
| 3.2 BP算法 |
| 3.2.1 线性再励的自适应变化学习率 |
| 3.2.2 神经元作用函数的选择 |
| 3.2.3 网络初始权值的选择 |
| 3.3 神经网络的拓朴结构 |
| 3.4 本章小结 |
| 4 烧结矿化学成分预报系统的研究与开发 |
| 4.1 预报系统的开发 |
| 4.1.1 神经网络的初始化训练 |
| 4.1.1.1 输入输出参数的确定 |
| 4.1.1.2 数据的采集预处理 |
| 4.1.1.3 时滞d和模型阶数n的确定 |
| 4.1.1.4 预报模型的准确度评价方法 |
| 4.1.1.5 网络的初始化训练 |
| 4.1.2 神经网络预报模型的在线自适应学习 |
| 4.2 预报系统软件的开发 |
| 4.2.1 软件的开发语言 |
| 4.2.2 软件的组成 |
| 4.3 软件的运行和验证 |
| 4.3.1 软件的运行 |
| 4.3.2 软件的验证 |
| 4.4 本章小结 |
| 5 基于神经网络预报的烧结矿化学成分的控制策略 |
| 6 结论 |
| 参考文献 |
| 致谢 |
（10）烧结过程智能实时操作指导系统的研究（论文提纲范文）
| 中文摘要 |
| 中文关键词 |
| 英文摘要 |
| 英文关键词 |
| 前言 |
| 1 文献综述 |
| 1.1 烧结过程的特点及控制现状 |
| 1.1.1 烧结过程的现状及面临的挑战 |
| 1.1.2 烧结过程数模的研究现状 |
| 1.1.3 烧结计算机控制的发展概况和现状 |
| 1.1.4 国内烧结过程检测和控制系统的发展概况和现状 |
| 1.1.5 国内烧结过程检测和控制存在问题及对策 |
| 1.2 人工智能技术研究现状 |
| 1.2.1 人工智能技术概述 |
| 1.2.2 人工智能技术在钢铁工业中的应用 |
| 1.3 人工智能技术在烧结过程控制中的研究与应用现状 |
| 1.3.1 国外研究与应用的现状 |
| 1.3.2 国内研究与应用的现状 |
| 1.3.3 我国烧结过程控制中应用人工智能技术存在的问题 |
| 1.3.4 烧结人工智能系统的效益及在我国的应用前景 |
| 1.4 论文研究的主要内容 |
| 1.4.1 选题目的和意义 |
| 1.4.2 主要的研究内容 |
| 1.5 本章小结 |
| 2 烧结过程智能实时操作指导系统总体规划 |
| 2.1 烧结过程控制的特点 |
| 2.2 烧结智能实时操作指导系统的总体规划 |
| 2.3 烧结过程在线信息的实时采集与预处理 |
| 2.3.1 烧结过程智能操作指导系统的在线实时要求 |
| 2.3.2 烧结过程的信息分类 |
| 2.3.3 烧结过程信息采集 |
| 2.3.4 数据的预处理 |
| 2.4 本章小结 |
| 3 烧结过程的工况识别 |
| 3.1 数学模型与知识模型结合的烧结过程工况识别策略 |
| 3.2 烧结过程工况识别模型的建立 |
| 3.3 烧结过程工况的专家综合评判 |
| 3.4 本章小结 |
| 4 烧结终点控制的研究 |
| 4.1 引言 |
| 4.2 烧结终点在线判断的研究 |
| 4.2.1 烧结终点的判断 |
| 4.2.2 终点判断值的修正 |
| 4.3 烧结终点的预报 |
| 4.3.1 预报参数的确定 |
| 4.3.2 基于时间序列模型的烧结终点预报 |
| 4.3.3 基于人工神经网络的烧结终点预报 |
| 4.4 烧结终点的模糊控制 |
| 4.4.1 烧结终点的控制原则 |
| 4.4.2 烧结终点控制的模糊特性 |
| 4.4.3 烧结终点模糊控制器设计 |
| 4.4.4 烧结终点模糊控制规则的在线优化 |
| 4.5 本章小结 |
| 5 烧结生产过程异常状况的诊断 |
| 5.1 烧结过程异常诊断的问题描述 |
| 5.2 烧结生产过程异常状况诊断的知识获取 |
| 5.3 烧结过程异常状况的模糊诊断策略 |
| 5.4 烧结生产过程异常状况诊断专家系统的构造 |
| 5.4.1 构造专家系统知识库 |
| 5.4.2 选择专家系统推理机制 |
| 5.4.3 专家系统的自学习 |
| 5.5 系统验证结果 |
| 5.6 本章小结 |
| 6 系统的实现与应用 |
| 6.1 系统的开发过程 |
| 6.1.1 智能系统程序与传统应用程序的不同 |
| 6.1.2 系统的开发过程 |
| 6.2 基于面向对象的程序设计方法 |
| 6.3 用VC++开发烧结过程智能实时操作指导系统的适宜性 |
| 6.4 用VC++实现人工神经网络技术 |
| 6.5 用VC++实现专家系统 |
| 6.5.1 用VC++实现知识库 |
| 6.5.2 用VC++实现推理机 |
| 6.6 烧结过程智能实时操作指导系统集成 |
| 6.7 现场应用示例 |
| 6.8 本章小结 |
| 7 结论与展望 |
| 7.1 结论 |
| 7.2 今后研究展望 |
| 参考文献 |
| 用户使用报告 |
| 攻读博士期间发表的论文 |
| 致谢 |
四、Adaptive prediction system of sintering through point based on self-organize artificial neural network（论文参考文献）
- [1]基于LM-GA算法的GA-PSO-BP神经网络烧结终点预测控制研究[D]. 闫成忍. 安徽工业大学, 2020(07)
- [2]基于蚁群算法的RBF神经网络算法研究[D]. 何亮亮. 西安工程大学, 2019(02)
- [3]基于铁矿石烧结基础特性的烧结矿质量预报模型[D]. 李小成. 河北联合大学, 2014(01)
- [4]铅锌烧结过程状态智能预测与优化控制策略[D]. 徐辰华. 中南大学, 2010(11)
- [5]基于烧结终点预测的烧结过程智能控制系统及应用研究[D]. 向齐良. 中南大学, 2008(12)
- [6]基于人工神经网络的烧结终点预测模型研究[D]. 屈文涛. 辽宁科技大学, 2008(09)
- [7]烧透点递阶智能控制系统的研究与实现[D]. 程武山. 上海大学, 2006(04)
- [8]铁矿石烧结性能预报模型的研究[D]. 曾垂喜. 中南大学, 2005(05)
- [9]基于人工神经网络的烧结矿化学成分预报系统的研究[D]. 申炳昕. 中南大学, 2002(06)
- [10]烧结过程智能实时操作指导系统的研究[D]. 李桃. 中南大学, 2000(01)