导读:本文包含了高炉热状态预测论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:神经网络,高炉,专家系统,状态,热传导,铁水,函数。
高炉热状态预测论文文献综述
王华秋,廖晓峰,邹航,董世都[1]（2008）在《自反馈RBF网络在高炉热状态模型预测中的应用》一文中研究指出在RBF神经网络的输入上加入了自反馈的神经元,提出了自反馈RBF神经网络,使网络对过去时态的数据具有了记忆能力,对该网络进行了稳定性分析后,采用层迭的自反馈神经元以增加网络的动态处理能力,并设计了自反馈RBF的在线训练算法,通过对混沌时序数据的仿真实验证明该算法的有效性。在此研究基础上,建立了高炉的热状态预测控制模型,预报铁水中硅的含量以达到判断高炉热状态的目的,实验表明该模型提高了高炉热状态的预报精度。(本文来源于《系统工程与电子技术》期刊2008年05期）
黄艳清,曹长修,孙圣军[2]（2007）在《基于自反馈RBF神经网络的高炉热状态预测模型》一文中研究指出以国内某大型钢铁公司的高炉生产数据为背景,以铁水中硅含量为主要的预报依据,同时考虑高炉热状态的输入输出数据集在时间上的关系,使用自反馈RBF神经网络建立高炉的热状态预测模型,并用Matlab进行仿真。(本文来源于《冶金企业自动化、信息化与创新——全国冶金自动化信息网建网30周年论文集》期刊2007-05-01）
黄艳清[3]（2007）在《基于炉热指数和RBF的高炉热状态预测系统》一文中研究指出钢铁工业是国民经济的支柱产业,高炉炼铁是钢铁工业的重要组成部分。如何控制高炉安全、稳定、均衡、顺行从而达到炼铁界提出的“优质、低耗、高产、长寿”的炼铁目标具有重要的生产实践价值。文中以国内某大型钢铁公司的高炉生产数据为背景,以铁水中硅含量为主要的预报依据。整个模型分静态预报和动态预报两部分。静态模型部分根据需要计算所需的实时参数,同时根据冶炼工艺原理及具体高炉的实际情况计算高炉物料平衡,热平衡,作为炉况预测的辅助判断条件。利用炉热指数与铁水含硅量的线性吻合关系,选用叁种炉热指数进行铁水含硅量及铁水温度的预报。动态预报部分,针对高炉热状态模型参数复杂的特点,从与铁水含硅量的相关性,时序性以及对铁水炉温的影响等各个方面具体分析高炉热状态的部分影响因素,确定RBF的输入参数。结构上在RBF神经网络加入了自反馈的连接单元,使RBF网络具有了记忆过去时态数据的能力。提高了RBF网络对时间序列的收敛性,加快了训练时间,提高了函数的逼近精度。文中详细介绍了利用人工神经网络建立预测模型的思想及特点,分析了RBF神经网络的网络结构及训练算法。最后本文用Matlab建立仿真平台,分别建立了炉热指数预报和RBF预报的仿真模型。通过测试发现,炉热指数模型在炉况稳定时效果比较好,在炉况波动时预报误差就比较大。而RBF网络则具有很好的自适应性,并且对非性线函数的逼近效果良好,网络的预报精度和训练速度也都比较可观。将两种方法结合起来,在提高高炉热状态的预报精度,稳定钢铁质量,稳定生产工艺等方面创造了良好的条件。(本文来源于《重庆大学》期刊2007-04-01）
曾燕飞[4]（2005）在《基于人工神经网络的高炉热状态预测模型研究》一文中研究指出高炉热状态专家系统目前已广泛应用于国内外高炉炼铁生产过程控制中,知识库是其核心部分,它是决定专家系统成败与否和性能高低的关键,专家系统是一类计算机软件系统,它能在特定的领域内,通过应用领域专家的经验和知识来模拟人类专家解决该领域中困难问题的能力。 高炉热状态专家系统是基于传感器型的在线实时专家系统。利用产生式规则来表达知识,其推理方法为采用基于规则匹配的专家系统推理方法,然而,这种传统的专家系统的知识获取主要依靠人工来总结和移植,费时,效率低,自学习、自组织的能力较差,知识面窄等。神经网络是一个非线性动力系统,以分布式存储和并行协同处理为特色。虽然单个神经元的结构和功能简单有限,但大量神经元所构成的网络系统却具有极强的功能。它具有许多专家系统所无法取代的功能,比如自适应、自组织、自学习功能。 在现代高炉炼铁技术发展进程中,采用神经网络与专家系统相结合已成为重要的发展趋势,这两者的结合能更好的发挥出各自的专长。最简单的办法是神经网络作为系统的前端即预处理器来处理模糊或不完善的数据;也可以作为系统的后端来增强由专家系统所进行的判断。 本研究根据湘钢4~#高炉的生产工艺和操作特点,在深入研究高炉热状态影响因素的基础上,设计了一种基于BP神经网络的铁水硅含量预测模型。并利用湘潭钢铁集团公司4~#高炉的实际生产数据对网络进行系统学习、仿真预测;在此基础上,根据硅含量控制理论和实用手册以及炼铁专家经验,提出了一套完整的炉温操作指导方法。神经网络预测模型用Matlab语言开发出的实用程序,用Oracle开发相关数据库,用组态王软件开发友好的全汉化预测铁水硅含量的操作界面:该模型通过修改完善后可应用于高炉预测铁水硅含量。(本文来源于《中南大学》期刊2005-06-30）
丁剑平,蹇开林[5]（2004）在《高炉炉壁侵蚀状态预测的神经网络分析法》一文中研究指出采用二维简化的炉壁模型 ,用ANSYS软件进行热传导仿真计算 ;同时在MATLSAB环境中建立BP网络模型 ,并利用炉壳外部测点的温度值识别炉壁侵蚀线 ,从而证明了神经网络方法在高炉炉壁侵蚀状态预测中应用的可行性。(本文来源于《四川冶金》期刊2004年04期）
丁剑平,蹇开林[6]（2004）在《高炉炉壁侵蚀状态预测的神经网络分析法》一文中研究指出采用二维简化的炉壁模型 ,用ANSYS软件进行热传导仿真计算 ,同时在MATLAB环境中建立BP网络模型 ,并利用炉壳外部测点的温度值识别炉壁侵蚀线 ,从而证明了神经网络方法在高炉炉壁侵蚀状态预测中应用的可行性。(本文来源于《冶金丛刊》期刊2004年03期）
李颖[7]（2004）在《基于RRBF神经网络的高炉热状态预测模型的研究》一文中研究指出上世纪中叶以来,微电子、计算机、通讯、网络、信息、自动化等科学技术的迅猛发展,掀起了以信息技术为核心的“第叁次浪潮”,正牵引着人类进入工业经济时代最鼎盛的时期,并打开了知识经济时代的大门。随着计算机技术的飞速发展和应用的普及,人类社会己经进入了一个信息化的时代,人们利用信息技术生产和搜集数据的能力大幅度提高,使用数据挖掘技术对对象建模并进行预测成为发展方向。文中以国内某大型钢铁公司的高炉生产数据为背景,以铁水中硅含量为主要的预报依据。由于高炉的热状态的输入输出数据集间存在着时间上的关系——这类数据称为时态数据(Temporal Data)。所以在对时态数据进行数据挖掘的过程中,必须考虑数据集之中数据间存在着的时间关系。本文对基于时态数据挖掘方法进行了分析,提出了使用RRBF神经网络建立高炉的热状态预测模型。RRBF神经网络模型是在RBF神经网络的输入上加入了自反馈的神经元,使RRBF网络对过去时态的数据具有了记忆能力,其学习算法为在线的学习算法。通过RRBF神经网络模型预报铁水中硅的含量以达到预报高炉热状态的目的。为提高高炉热状态的预报精度,稳定钢铁质量,稳定生产工艺创造了良好的条件。文中详细介绍了利用人工神经网络建立预测模型的思想及其特点,从生物角度和数学推理的方面阐述了神经网络的工作方式。分析了RBF及RRBF神经网络的网络结构及训练算法。最后本文用Matlab建立做为仿真平台,建立了传统的RBF网络和RRBF网络的仿真模型。通过测试,RRBF网络的预报精度和训练速度都明显好于传统的RBF神经网络模型,可见RRBF在对非线性时间序列上数据挖掘中具有明显的优越性。(本文来源于《重庆大学》期刊2004-05-10）
石进,李家新,周莉英,王平[8]（2003）在《面向对象的高炉热状态预测专家系统中知识库的研究》一文中研究指出介绍了面向对象技术的基本理论,并将其引入到高炉热状态预测专家系统中,简化了系统的设计,提高了知识的表达能力和预测效率。在实例运行时效果良好,对犤Si犦预测在±0.1命中率达到88.43%,对高炉热状态的发展趋势预测的准确率达87.6%。(本文来源于《安徽工业大学学报(自然科学版)》期刊2003年03期）
刘金琨,邓守强[9]（1995）在《高炉热状态预测专家系统的设计及实现方法》一文中研究指出利用人工智能、知识工程及模糊数学思想，开发了高炉炉热预测专家系统．该系统知识表达采用了产生式规则的方式，推理机采用了模糊数学中可信度的方法进行模糊推理，取得了比较满意的效果．(本文来源于《东北大学学报》期刊1995年05期）
张景智[10]（1994）在《高炉热状态优化和预测模型及其应用》一文中研究指出本文建立了高炉热状态优化和预测模型，用在模型对宝钢和梅山１号高炉热状态进行优化和预测表明，该模型预测结果符合实际，有实用价值。(本文来源于《华东冶金学院学报》期刊1994年04期）
高炉热状态预测论文开题报告
（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：
以国内某大型钢铁公司的高炉生产数据为背景,以铁水中硅含量为主要的预报依据,同时考虑高炉热状态的输入输出数据集在时间上的关系,使用自反馈RBF神经网络建立高炉的热状态预测模型,并用Matlab进行仿真。
（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。
高炉热状态预测论文参考文献
[1].王华秋,廖晓峰,邹航,董世都.自反馈RBF网络在高炉热状态模型预测中的应用[J].系统工程与电子技术.2008
[2].黄艳清,曹长修,孙圣军.基于自反馈RBF神经网络的高炉热状态预测模型[C].冶金企业自动化、信息化与创新——全国冶金自动化信息网建网30周年论文集.2007
[3].黄艳清.基于炉热指数和RBF的高炉热状态预测系统[D].重庆大学.2007
[4].曾燕飞.基于人工神经网络的高炉热状态预测模型研究[D].中南大学.2005
[5].丁剑平,蹇开林.高炉炉壁侵蚀状态预测的神经网络分析法[J].四川冶金.2004
[6].丁剑平,蹇开林.高炉炉壁侵蚀状态预测的神经网络分析法[J].冶金丛刊.2004
[7].李颖.基于RRBF神经网络的高炉热状态预测模型的研究[D].重庆大学.2004
[8].石进,李家新,周莉英,王平.面向对象的高炉热状态预测专家系统中知识库的研究[J].安徽工业大学学报(自然科学版).2003
[9].刘金琨,邓守强.高炉热状态预测专家系统的设计及实现方法[J].东北大学学报.1995
[10].张景智.高炉热状态优化和预测模型及其应用[J].华东冶金学院学报.1994
论文知识图
