智能計算方法在高爐生產(chǎn)目標(biāo)預(yù)測中的應(yīng)用

1緒論
1.1高爐冶煉數(shù)學(xué)模型及智能化研展
1.1.1國外研展
 
1.1.2國內(nèi)研展
 
1.2人工智能方法在高爐生產(chǎn)中的應(yīng)用
1.2.1人工神經(jīng)網(wǎng)絡(luò)
 
1.2.2支持向量機(jī)
 
1.2.3智能優(yōu)化算法
 
1.3混合智能建模參考文獻(xiàn)
2智能計算方法
2.1支持向量機(jī)
2.1.1統(tǒng)計學(xué)
2.1.2支持向量機(jī)原理
 
2.1.3核函數(shù)與交叉驗(yàn)證
2.1.4參數(shù)選擇
 
2.2粒子群優(yōu)化算法
2.2.1基本粒子群算法
 
2.2.2粒子群算法
2.3遺傳算法…
2.3.1GA基本原理
2.3.2遺傳算法組成部分
2.4人工魚群算法（AFSA）
2.5隨機(jī)森林參考文獻(xiàn)
3 概念格生成及屬性約簡
3.1概念格理論
3.1.1概念格與粗糙集約簡
3.1.2概念格及屬性約簡定義
3.2概念格構(gòu)造算法綜述·
3.2.1批處理構(gòu)造算法
3.2.2增量式算法
3.3經(jīng)典Godin算法·
3.3.1Godin 算法的思想
 
3.3.2對象更新實(shí)例
3.4 基于屬性的概念格快速構(gòu)造算法·
3.4.1算法的思想·
3.4.2算法的相關(guān)描述·
3.4.3屬性更新實(shí)例
3.5基于概念格的冗余屬性約簡算法
3.5.1相關(guān)定義與證明
3.5.2冗余參數(shù)約簡算法
3.5.3約簡實(shí)例分析
 
3.5.4約簡算法性能比較
 
參考文獻(xiàn)
4基于概念格約簡的高爐焦比預(yù)測·
4.1數(shù)據(jù)準(zhǔn)備
4.1.1魚骨分析
4.1.2特征選擇·
4.2冗余參數(shù)的約簡
4.2.1約簡概念
4.2.2屬性約簡過程
4.3網(wǎng)格搜索算法優(yōu)化SVM
4.3.1網(wǎng)格搜索算法優(yōu)化SVM
4.3.2實(shí)驗(yàn)分析
4.4粒子群優(yōu)化SVM
4.4.1粒子群優(yōu)化SVM
4.4.2實(shí)驗(yàn)分析
4.5遺傳算法SVM參數(shù)優(yōu)化
4.5.1 遺傳算法優(yōu)化SVM
4.5.2 CON-GA-SVM 實(shí)驗(yàn)分析
4.5.3算法性能比較分析
參考文獻(xiàn)
5基于粒子群的鐵水硅含量穩(wěn)定性分析
5.1引言
5.2數(shù)據(jù)處理
5.2.1魚骨分析
5.2.2特征選擇
5. 2.3冗余屬性約簡
 
5.3基于人工魚視野的變鄰域粒子群算法
5.3.1動態(tài)鄰域結(jié)構(gòu)的粒子群算法（AFIV-PSO）
5.3.2引入變異算子.
5.3.3AFIV-PSO執(zhí)行步驟
5.3.4經(jīng)典測試函數(shù)
 
5.3.5實(shí)驗(yàn)結(jié)果分析
 
5.4基于AFIV-PSO的鐵水硅含量預(yù)測
5.4.1PSO-SVM硅含量預(yù)測
5.4.2Grid-SVM硅含量預(yù)測
5.4.3AFIV-PSO-SVM硅含量預(yù)測
 
5.4.4算法預(yù)測性能比較分析
 
5.5鐵水硅含量穩(wěn)定性分析
5.5.1鐵水硅含量控制圖
5.5.2相關(guān)性分析
參考文獻(xiàn)
6基于隨機(jī)森林的鐵水硅含量預(yù)測
6.1引言
6.2粒子群優(yōu)化算法
6.2.1黃金正弦算法
6.2.2粒子群優(yōu)化算法
6.3測試函數(shù)驗(yàn)證
6.3.1實(shí)驗(yàn)參數(shù)設(shè)置
6.3.2測試函數(shù)
特征選擇
.1輸入?yún)?shù)選擇
.2相關(guān)性分析
6.5對比實(shí)驗(yàn)
6.5.1GSPSO-RF 建模…
6.5.2對比模型建模
6.5.3結(jié)果對比
參考文獻(xiàn).