高炉炼铁过程关键质量指标软测量是国际公认的挑战性难题。本书从数据驱动的角度，系统性总结和阐述了作者及其团队10余年来在高炉炼铁过程关键质量指标软测量技术的系列研究成果，主要包括高炉铁水质量软测量、烧结矿质量软测量与工业应用三个部分。针对高炉炼铁过程数据的滞后性、非线性、高维共线性、动态性、多源异构以及标签稀少等特征，在高炉铁水质量软测量部分，重点介绍Elman神经网络、Adaboost集成学习、模糊神经网络和循环神经网络等软测量方法；在烧结矿质量软测量部分，重点介绍Transformer模型和多模态信息融合软测量方法；在工业应用部分，主要阐述工业互联网平台搭建、数字孪生体构建和应用实例。 本书可作为高等院校控制、冶金、计算机、人工智能等学科研究生和高年级本科生的参考书，也可供相关专业的工程技术和设备运维人员参考。

第1章 绪论
1.1 引言
1.2 高炉炼铁过程软测量问题描述
1.2.1 软测量技术的必要性
1.2.2 过程数据的特征归纳
1.3 高炉炼铁过程软测量研究现状
1.3.1 现有数据驱动软测量方法
1.3.2 数据驱动的高炉炼铁过程质量软测量方法研究现状
参考文献
第2章 高炉铁水质量软测量的Elman神经网络方法
2.1 高炉炼铁过程的多尺度特性辨识
2.1.1 多尺度概念
2.1.2 Hilbert-Huang变换
2.1.3 高炉铁水硅含量的多尺度分析
2.2 铁水硅含量预测建模的理论基础
2.2.1 变量的选择
2.2.2 Elman神经网络
2.3 过程变量驱动的EMD-Elman铁水硅含量预测
2.4 质量变量驱动的EMD-Elman铁水硅含量预测
2.5 案例分析
2.5.1 基于过程变量的改进型EMD-Elman神经网络在铁水硅含量预测中的应用
2.5.2 基于质量变量的改进型EMD-Elman神经网络在铁水硅含量预测中的应用
参考文献
第3章 高炉铁水质量软测量的Adaboost方法
3.1 神经网络与Adaboost算法理论基础
3.1.1 反向传播神经网络与Elman神经网络概述
3.1.2 Adaboost强回归器算法
3.1.3 Adaboost强分类器算法
3.2 高炉铁水硅含量的Elman-Adaboost回归预测模型
3.2.1 问题描述
3.2.2 多变量Elman-Adaboost强回归器
3.2.3 单变量Elman-Adaboost强回归器
3.2.4 案例分析
3.3 高炉铁水硅含量的Elman-Adaboost分类预测模型
3.3.1 问题描述
3.3.2 多变量Elman-Adaboost强分类器
3.3.3 单变量Elman-Adaboost强分类器
3.3.4 案例分析
3.4 回归预测与分类预测信息融合的模糊逻辑控制方法
3.4.1 问题描述
3.4.2 模糊逻辑控制介绍
3.4.3 回归预测与分类预测信息融合
参考文献
第4章 高炉铁水质量软测量的模糊神经网络方法
4.1 互信息法特征选择
4.1.1 特征选择
4.1.2 熵增定义
4.1.3 互信息法
4.2 滑动窗口模型
4.3 模糊神经网络算法
4.4 案例分析
参考文献
第5章 高炉铁水质量软测量的循环神经网络方法
5.1 循环神经网络理论基础
5.2 门控循环神经网络理论基础
5.3 注意力机制理论基础
5.4 高炉铁水质量的改进循环神经网络软测量方法
5.4.1 处置门门控循环神经网络
5.4.2 嵌入特征-时间注意力的门控循环神经网络
5.5 案例分析
5.5.1 处置门门控循环神经网络在硅含量软测量中的应用
5.5.2 嵌入特征-时间注意力的门控循环神经网络在硅含量软测量中的应用
参考文献
第6章 烧结矿质量指标软测量的循环神经网络方法
6.1 动态时间特征扩展与提取的门控循环神经网络
6.1.1 烧结过程质量指标
6.1.2 动态时间特征扩展和提取预测模型
6.1.3 案例分析
6.2 半监督动态时间特征扩展与提取的门控循环神经网络
6.2.1 半监督动态时间特征扩展和提取模型
6.2.2 案例分析
6.3 多源数据融合的烧结质量预测模型
6.3.1 烧结多源异构数据特性
6.3.2 多源数据融合的软测量模型
6.3.3 案例分析
参考文献
第7章 多源数据与知识融合的烧结矿质量软测量方法
7.1 专家知识图像特征提取理论基础
7.2 深层图像特征提取理论基础
7.2.1 残差学习模块
7.2.2 压缩-激励模块
7.2.3 SE-ResNet
7.3 Autoformer理论基础
7.4 MIF-Autoformer烧结矿软测量模型
7.5 案例分析
7.5.1 数据采集与多源信息融合
7.5.2 图像特征提取
7.5.3 实验结果分析
7.5.4 消融实验
7.5.5 超参数设置与调整
参考文献
第8章 烧结矿质量指标软测量的多模态信息融合方式与拓展
8.1 多模态信息融合理论基础
8.2 初步信息融合的烧结矿质量指标软测量模型
8.3 不对称信息融合的烧结矿质量指标软测量模型
8.4 深度信息融合的烧结矿质量指标软测量模型
8.4.1 时间序列分支
8.4.2 图像分支
8.4.3 整体模型架构
8.5 半监督深度信息融合的烧结矿质量指标软测量模型
8.5.1 时序特征提取
8.5.2 时序特征交互
8.5.3 解码与预测
8.6 后期信息融合的烧结矿质量指标软测量模型
8.7 案例分析
8.7.1 烧结矿质量指标多模态融合软测量
8.7.2 烧结矿质量指标多模态融合半监督软测量
参考文献
第9章 基于工业互联网的软测量APP开发及应用
9.1 工业互联网平台架构
9.2 工业互联网平台搭建
9.2.1 容器化技术
9.2.2 容器编排
9.2.3 集群管理
9.3 数字孪生系统构建
9.3.1 炼铁流程数字孪生系统技术架构
9.3.2 数字孪牛体构建
9.4 基于工业互联网的高炉炼铁过程数据驱动软测量的实现
9.4.1 高炉炼铁过程孪生数据驱动软测量
9.4.2 应用实例
参考文献