1 绪论
1.1 高炉冶炼数学模型及智能化研究进展
1.1.1 国外研究进展
1.1.2 国内研究进展
1.2 人工智能方法在高炉生产中的应用
1.2.1 人工神经网络
1.2.2 支持向量机
1.2.3 智能优化算法
1.3 混合智能建模
参考文献
2 智能计算方法
2.1 支持向量机
2.1.1 统计学习理论
2.1.2 支持向量机原理
2.1.3 核函数与交叉验证
2.1.4 参数选择
2.2 粒子群优化算法
2.2.1 基本粒子群算法
2.2.2 粒子群改进算法
2.3 遗传算法
2.3.1 GA基本原理
2.3.2 遗传算法组成部分
2.4 人工鱼群算法（AFSA）
2.5 随机森林
参考文献
3 概念格生成及属性约简
3.1 概念格理论
3.1.1 概念格与粗糙集约简
3.1.2 概念格及属性约简定义
3.2 概念格构造算法综述
3.2.1 批处理构造算法
3.2.2 增量式算法
3.3 经典Godin算法
3.3.1 Godin算法的思想
3.3.2 对象更新实例
3.4 基于属性的概念格快速构造算法
3.4.1 算法的思想
3.4.2 算法的相关描述
3.4.3 属性更新实例
3.5 基于概念格的冗余属性约简算法
3.5.1 相关定义与证明
3.5.2 冗余参数约简算法
3.5.3 约简实例分析
3.5.4 约简算法性能比较
参考文献
4 基于概念格约简的高炉焦比预测
4.1 数据准备
4.1.1 鱼骨分析
4.1.2 特征选择
4.2 冗余参数的约简
4.2.1 约简概念
4.2.2 属性约简过程
4.3 网格搜索算法优化SVM
4.3.1 网格搜索算法优化SVM
4.3.2 实验分析
4.4 粒子群优化SVM
4.4.1 粒子群优化SVM
4.4.2 实验分析
4.5 遗传算法SVM参数优化
4.5.1 遗传算法优化SVM
4.5.2 CON-GA-SVM实验分析
4.5.3 算法性能比较分析
参考文献
5 基于改进粒子群的铁水硅含量稳定性分析
5.1 引言
5.2 数据处理
5.2.1 鱼骨分析
5.2.2 特征选择
5.2.3 冗余属性约简
5.3 基于人工鱼视野的变邻域粒子群算法
5.3.1 动态邻域结构的粒子群算法（AFIV-PSO）
5.3.2 引入变异算子
5.3.3 AFIV-PSO执行步骤
5.3.4 经典测试函数
5.3.5 实验结果分析
5.4 基于AFIV-PSO的铁水硅含量预测
5.4.1 PSO-SVM硅含量预测
5.4.2 Grid-SVM硅含量预测
5.4.3 AFIV-PSO-SVM硅含量预测
5.4.4 算法预测性能比较分析
5.5 铁水硅含量稳定性分析
5.5.1 铁水硅含量控制图
5.5.2 相关性分析
参考文献
6 基于改进随机森林的铁水硅含量预测
6.1 引言
6.2 改进粒子群优化算法
6.2.1 黄金正弦算法
6.2.2 改进粒子群优化算法
6.3 测试函数验证
6.3.1 实验参数设置
6.3.2 测试函数
6.4 特征选择
6.4.1 输入参数选择
6.4.2 相关性分析
6.5 对比实验
6.5.1 GSPSO-RF建模
6.5.2 对比模型建模
6.5.3 结果对比
参考文献
展开
