基于数据预处理与智能优化的高炉铁水温度预测

高炉论文 BP神经网络论文 极限学习机(ELM)论文 回声状态网络(ESN)论文
论文详情
摘要第3-4页
Abstract第4-5页
1 引言第8-14页
    1.1 高炉炼铁工艺的概述第8-10页
        1.1.1 高炉炼铁工艺的复杂性第8-9页
        1.1.2 高炉炼铁的工艺参数第9-10页
    1.2 高炉铁水温度建模的意义第10-11页
        1.2.1 高炉铁水温度建模的重要性第10-11页
        1.2.2 高炉铁水温度的检测方法第11页
    1.3 基于数据预处理的高炉铁水温度建模概述第11-13页
        1.3.1 基于数据预处理的数学建模第12-13页
    1.4 本论文研究的主要内容第13-14页
2 多元数学建模基本理论第14-23页
    2.1 BP 神经网络模型第14-18页
        2.1.1 BP 学习算法第15-18页
    2.2 ELM(极限学习机—Extreme learning machine)网络模型第18-20页
        2.2.1 ELM 学习算法第18-19页
        2.2.2 ELM 网络原理第19-20页
    2.3 回声状态网络(ESN)模型第20-23页
        2.3.1 回声状态网络基本数学模型第20-22页
        2.3.2 ESN 的训练第22-23页
3 高炉铁水温度数据预处理第23-31页
    3.1 数据中异常值的检测第23-24页
    3.2 缺损值的补足第24-26页
        3.2.1 指数平滑法的基本理论第24-26页
        3.2.2 指数平滑系数的确定第26页
    3.3 归一化处理数据第26-28页
    3.4 数据的相关性分析第28-31页
        3.4.1 SPSS 的高炉铁水温度预测模型变量选择第28页
        3.4.2 灰色关联分析的铁水温度预测模型的输入变量选择第28-31页
4 高炉铁水温度建模与优化第31-56页
    4.1 BP 神经网络建模与优化第31-41页
        4.1.1 BP 算法的实现及 BP 神经网络的建模第31-34页
        4.1.2 BP 网络的优缺点第34页
        4.1.3 粒子群蚁群优化算法的融合与实现第34-39页
        4.1.4 粒子群蚁群算法优化 BP 神经网络建模第39-41页
    4.2 基于灰色关联分析的 ELM 高炉温度预测模型第41-50页
        4.2.1 灰色关联理论基础与方法分析第42-44页
        4.2.2 灰色关联分析的基本特征第44-45页
        4.2.3 灰色关联度模型第45-48页
        4.2.4 ELM 的高炉铁水温度预测模型的建立第48-50页
    4.3 基于回声状态网络(ESN)的高炉铁水温度预测模型第50-53页
        4.3.1 回声状态网络基本模型第51-52页
        4.3.2 ESN 的高炉铁水温度模型的建立第52-53页
    4.4 各模型的性能比较第53-54页
    4.5 本章小结第54-56页
结论与展望第56-58页
参考文献第58-62页
附录A 建模数据第62-63页
附录B MATLAB仿真部分程序第63-65页
攻读硕士学位期间发表的论文第65-66页
致谢第66页
论文购买
论文编号ABS4409150,这篇论文共66页
会员购买按0.30元/页下载,共需支付19.8
不是会员,注册会员
会员更优惠充值送钱
直接购买按0.5元/页下载,共需要支付33
只需这篇论文,无需注册!
直接网上支付,方便快捷!
相关论文

点击收藏 | 在线购卡 | 站内搜索 | 网站地图
版权所有 艾博士论文 Copyright(C) All Rights Reserved
版权申明:本文摘要目录由会员***投稿,艾博士论文编辑,如作者需要删除论文目录请通过QQ告知我们,承诺24小时内删除。
联系方式: QQ:277865656