1緒論
1.1高爐冶煉數學模型及智能化研展
1.1.1國外研展
 
1.1.2國內研展
 
1.2人工智能方法在高爐生產中的應用
1.2.1人工神經網絡
 
1.2.2支持向量機
 
1.2.3智能優(yōu)化算法
 
1.3混合智能建模參考文獻
2智能計算方法
2.1支持向量機
2.1.1統(tǒng)計學
2.1.2支持向量機原理
 
2.1.3核函數與交叉驗證
2.1.4參數選擇
 
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隨機森林參考文獻
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概念格構造算法綜述·
3.2.1批處理構造算法
3.2.2增量式算法
3.3經典Godin算法·
3.3.1Godin 算法的思想
 
3.3.2對象更新實例
3.4 基于屬性的概念格快速構造算法·
3.4.1算法的思想·
3.4.2算法的相關描述·
3.4.3屬性更新實例
3.5基于概念格的冗余屬性約簡算法
3.5.1相關定義與證明
3.5.2冗余參數約簡算法
3.5.3約簡實例分析
 
3.5.4約簡算法性能比較
 
參考文獻
4基于概念格約簡的高爐焦比預測·
4.1數據準備
4.1.1魚骨分析
4.1.2特征選擇·
4.2冗余參數的約簡
4.2.1約簡概念
4.2.2屬性約簡過程
4.3網格搜索算法優(yōu)化SVM
4.3.1網格搜索算法優(yōu)化SVM
4.3.2實驗分析
4.4粒子群優(yōu)化SVM
4.4.1粒子群優(yōu)化SVM
4.4.2實驗分析
4.5遺傳算法SVM參數優(yōu)化
4.5.1 遺傳算法優(yōu)化SVM
4.5.2 CON-GA-SVM 實驗分析
4.5.3算法性能比較分析
參考文獻
5基于粒子群的鐵水硅含量穩(wěn)定性分析
5.1引言
5.2數據處理
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)鄰域結構的粒子群算法（AFIV-PSO）
5.3.2引入變異算子.
5.3.3AFIV-PSO執(zhí)行步驟
5.3.4經典測試函數
 
5.3.5實驗結果分析
 
5.4基于AFIV-PSO的鐵水硅含量預測
5.4.1PSO-SVM硅含量預測
5.4.2Grid-SVM硅含量預測
5.4.3AFIV-PSO-SVM硅含量預測
 
5.4.4算法預測性能比較分析
 
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相關性分析
參考文獻
6基于隨機森林的鐵水硅含量預測
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測試函數驗證
6.3.1實驗參數設置
6.3.2測試函數
特征選擇
.1輸入參數選擇
.2相關性分析
6.5對比實驗
6.5.1GSPSO-RF 建模…
6.5.2對比模型建模
6.5.3結果對比
參考文獻.