导读:本文包含了铁水含硅量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:高炉,铁水,神经网络,含量,模型,灰色,炉温。
铁水含硅量论文文献综述
刘子恒,朱天帅,王长宏[1]（2018）在《基于离散型灰色理论的的高炉铁水含硅量预测》一文中研究指出研究了高炉炼铁炉温预测问题,建立数学模型实现了对铁水硅含量([Si])的动态预测。确立[Si]的灰色体系,在前k个已测数据所组成的小样本基础上,用离散GM(1,1)模型对第k+1个数据点进行预测得预测值。经过试验多组拟合效果,发现k=7时模型能够使预测值更为精准地逼近真实值。本文从华南地区某炼钢企业所提供1000组实测生产数据中随机抽取100个数据进行测试,发现数值预测命中率为81%。(本文来源于《合成材料老化与应用》期刊2018年04期）
熊琦[2]（2018）在《基于多项式拟合的铁水含硅量动态预测模型》一文中研究指出本文就高炉冶铁的问题建立了硅含量动态预测模型。选用多元多次多项式对[Si]的函数进行拟合,在根据箱线图法剔除极端数据之后选取前90%数据作为拟合的学习样本,并开发了相应的算法以完成[Si]预测动态数学模型。首先,采用回归分析法,确定回归分析模型的判断评价方法步骤;其次,在回归分析法步骤情况下,画出硅含量的预测数学模型动态算法流程图,根据流程图从多元一次到多元n次建立函数关系式,并进行一定判断预测值与实际值误差分析,判断出合理的函数模型;最后,综合上述误差分析等评价方案,判断出合理的硅含量预测动态数学模型。(本文来源于《中国高新区》期刊2018年02期）
禄文轩[3]（2017）在《基于RBF神经网络的铁水含硅量预测模型》一文中研究指出本文以RBF神经网络为基础建立了铁水含硅量的预测模型。首先利用Matlab建立[Si]的叁层前馈神经网络预测模型,选取[S]-FL-PML叁种数据作为RBF神经网络的输入,[Si]作为其输出。其次利用L-M算法设计优化方案,通过反馈校正的方式证明该模型的稳定性,从而得到一步预测模型。最后在该模型的基础上使用其控制值和输出值更新输入向量,运用递归调用的方法得到二步预测模型。实践证明,该方法能改进传统的反馈预测,提高预测的精确度。(本文来源于《科学家》期刊2017年15期）
牟方青,许着龙,王言[4]（2017）在《高炉炼铁过程中铁水含硅量动态预测研究与分析》一文中研究指出本文针对高炉冶炼优质铁水的过程,以由铁水含硅量[Si]、含硫量[S]、喷煤量PML和鼓风量组成的数据库作为数学建模分析和数据挖掘的基础,建立基于误差反向传播神经网络[Si]的动态预测数学模型,以SML和ML作为输入参数,对于Si含量进行预测,通过在一定时间间隔内更新固定步数的训练样本,体现时间的累积效果,来提高预测的准确性。(本文来源于《科学家》期刊2017年13期）
柳传武,李新光,吴彩林,张庆丰[5]（2016）在《分时段下高炉铁水含硅量的时间序列建模与预测》一文中研究指出高炉炉内物理化学反应复杂,而保证高炉正常工作的关键就是温度。高炉温度与铁水硅含量成正比,选用传递函数模型来预测硅含量,便可获得高炉温度信息。选取喷煤量、鼓风量和冷却水流量为输入变量,提出了输入分时段传递函数的硅含量预测模型并对原始数据采取对数预处理,以降低预测方差。该模型能准确地预测硅含量,预测准确率都在93%以上。(本文来源于《常州工学院学报》期刊2016年02期）
车晓沁,朱建鸿[6]（2016）在《铁水含硅量预测系统中数据预处理技术的研究》一文中研究指出通过使用自适应预报模型与时差方法相结合的方法对铁水含硅量进行预测,模型所需的工艺参数的原始数据经采集后需使用OPC技术标准进行传输以存入数据库系统中;硅预测程序通过对数据库查询得到所需的操作数据,由于生产环境对数据的干扰,需对其作均值滤波和插值运算的一次处理,然后进行求平均值、梯度和标准差统计学运算的二次处理,之后运用模糊理论将各个工艺参数归一化以提取参数特征值,作为铁水含硅量预测模型的输入参数,在预测过程中使用多元线性回归不断修正模型中的权重系数,以提高数学模型预测的准确率。(本文来源于《计算机测量与控制》期刊2016年03期）
温继勇[7]（2014）在《高炉主要操作参数与铁水含硅量滞后关系分析》一文中研究指出随着钢铁工业生产的进步,炼铁和炼钢工艺均对铁水硅含量提出了越来越高的要求。降低高炉铁水硅含量不仅是高炉的冶炼方向,也是现代炼钢工艺的必然要求。文中以高炉炉温预报和操作指导模型的开发为背景,对影响模型的主要操作参数与铁水含硅量滞后关系进行了相关性和滞后时间的分析,为准确实现高炉炉热判断奠定了基础。(本文来源于《甘肃科技》期刊2014年20期）
刘文文[8]（2013）在《基于灰色关联铁水含硅量影响因素分析》一文中研究指出本文运用灰色关联分析法对影响铁水含硅量的相关因素进行分析,计算得出热负荷与铁水含硅量的关联度最高,在实际生产中控制加湿、富氧量、风量以达到热负荷波动时稳定炉温作用,铁水含硅量达到较高水平。(本文来源于《中外企业家》期刊2013年27期）
王龙辉,高嵩,屈星[9]（2013）在《基于GA优化LSSVM高炉铁水含硅量预报》一文中研究指出铁水含硅量是表征高炉生铁质量的重要指标,也是反映高炉内部热状态的重要参数。为了提高铁水含硅量测量精确度,保证高炉顺行,提出一种基于最小二乘支持向量机(LSSVM)的铁水含硅量预报模型,采用遗传算法(GA)确定模型参数的优化组合,以改善模型性能。将某钢管厂高炉的实际运行数据经过预处理后作为模型的训练和测试样本,进行模型预报实验,并与神经网络模型和时间序列分析模型的预报性能进行了比较。基于GA优化参数的LSSVM模型对铁水含硅量预报的最大相对误差为5.8%,相关系数为0.926 375,预报精确度比直接LSSVM模型提高了2.1%,比前向神经网络模型提高了4.3%。(本文来源于《太赫兹科学与电子信息学报》期刊2013年04期）
王龙辉,高嵩,屈星[10]（2013）在《基于最小二乘支持向量机的铁水含硅量软测量》一文中研究指出提出一种基于最小二乘支持向量机的铁水含硅量软测量模型,采用遗传算法确定模型参数的优化组合。用某钢管厂高炉的实际生产数据经过预处理后作为模型的训练和测试样本,进行软测量实验。实验结果表明,与神经网络模型和时间序列分析模型比较,所提出的软测量模型的软测量精度更高。(本文来源于《工业控制计算机》期刊2013年03期）
铁水含硅量论文开题报告
（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：
本文就高炉冶铁的问题建立了硅含量动态预测模型。选用多元多次多项式对[Si]的函数进行拟合,在根据箱线图法剔除极端数据之后选取前90%数据作为拟合的学习样本,并开发了相应的算法以完成[Si]预测动态数学模型。首先,采用回归分析法,确定回归分析模型的判断评价方法步骤;其次,在回归分析法步骤情况下,画出硅含量的预测数学模型动态算法流程图,根据流程图从多元一次到多元n次建立函数关系式,并进行一定判断预测值与实际值误差分析,判断出合理的函数模型;最后,综合上述误差分析等评价方案,判断出合理的硅含量预测动态数学模型。
（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。
铁水含硅量论文参考文献
[1].刘子恒,朱天帅,王长宏.基于离散型灰色理论的的高炉铁水含硅量预测[J].合成材料老化与应用.2018
[2].熊琦.基于多项式拟合的铁水含硅量动态预测模型[J].中国高新区.2018
[3].禄文轩.基于RBF神经网络的铁水含硅量预测模型[J].科学家.2017
[4].牟方青,许着龙,王言.高炉炼铁过程中铁水含硅量动态预测研究与分析[J].科学家.2017
[5].柳传武,李新光,吴彩林,张庆丰.分时段下高炉铁水含硅量的时间序列建模与预测[J].常州工学院学报.2016
[6].车晓沁,朱建鸿.铁水含硅量预测系统中数据预处理技术的研究[J].计算机测量与控制.2016
[7].温继勇.高炉主要操作参数与铁水含硅量滞后关系分析[J].甘肃科技.2014
[8].刘文文.基于灰色关联铁水含硅量影响因素分析[J].中外企业家.2013
[9].王龙辉,高嵩,屈星.基于GA优化LSSVM高炉铁水含硅量预报[J].太赫兹科学与电子信息学报.2013
[10].王龙辉,高嵩,屈星.基于最小二乘支持向量机的铁水含硅量软测量[J].工业控制计算机.2013
论文知识图
