化工冶金過程人工智能優(yōu)化

     目錄
   1基本知識
    1.1基本概念
    1.1.1術(shù)語解釋
    1.1.2訓(xùn)練樣本與空間變換的數(shù)學(xué)表達(dá)
    1.1.3樣本距離
    1.2人工智能工業(yè)優(yōu)化步驟
    1.2.1優(yōu)化步驟
    1.2.2優(yōu)化框圖
    1.3樣本采集
    1.3.1優(yōu)化目標(biāo)的確定
    1.3.2變量的確定
    1.3.3原始數(shù)據(jù)的可靠性
    1.3.4訓(xùn)練樣本數(shù)量
    1.4樣本標(biāo)準(zhǔn)化
    1.4.1自標(biāo)準(zhǔn)化
    1.4.2范圍標(biāo)準(zhǔn)化
    1.5過濾噪音
    1.5.1離群樣本有噪音之嫌
    1.5.2應(yīng)用類型隸屬度排除迷途樣本
    1.5.3應(yīng)用相對特征－目標(biāo)匹配度識別噪音
    1.5.4類相似獨(dú)立模型
    1.6選取特征變量
    1.6.1變量相關(guān)性
    1.6.2變量對目標(biāo)的貢獻(xiàn)
    1.6.3變量正交組合
    1.7模式空間的勢和分類圖
    1.7.1模式空間的勢
    1.7.2模式空間分類圖
    參考文獻(xiàn)
   2傳統(tǒng)分類模式識別計(jì)算方法
    2.1主成分分析（PCA）
    2.1.1主成分原理
    2.1.2主成分的性質(zhì)
    2.1.3主成分的貢獻(xiàn)率
    2.1.4主成分算法步驟
    2.1.5計(jì)算實(shí)例——煉焦配煤的主成分模式識別
    2.2最優(yōu)判別平面（ODP）
    2.2.1ODP原理
    2.2.2討論
    2.2.3ODP算法步驟
    2.2.4計(jì)算實(shí)例——電鍍工藝的ODP映照
    2.3偏最小二乘法（PLS）
    2.3.1主成分的NIPALS算法
    2.3.2PLS算法步驟和原理
    2.3.3PLS的若干性質(zhì)
    2.3.4PLS預(yù)報(bào)步驟
    2.3.5PLS成分?jǐn)?shù)目的確定
    2.3.6計(jì)算實(shí)例——加熱爐節(jié)能PLS計(jì)算
    2.4非線性映照（NLM）
    2.4.1線性映照的困難
    2.4.2NLM原理
    2.4.3PCA－NLM和PLS－NLM
    2.4.4NLM計(jì)算步驟
    2.4.5應(yīng)用實(shí)例——鈹合金零件斷裂診斷和質(zhì)量改進(jìn)
    2.5SIMCA
    2.5.1SIMCA的基本原理
    2.5.2SIMCA信息分析
    2.5.3SIMCA計(jì)算步驟
    2.5.4應(yīng)用實(shí)例 —新鋼種加工性能SIMCA分析
    2.6最近鄰法（KNN）與共享最近鄰法（SKNN）
    2.6.1KNN方法
    2.6.2SKNN方法
    2.6.3計(jì)算實(shí)例——煉焦配煤訓(xùn)練樣本的SKNN計(jì)算
    參考文獻(xiàn)
   3兩種人工神經(jīng)網(wǎng)絡(luò)算法和遺傳算法
    3.1人工神經(jīng)網(wǎng)絡(luò)算法的一些基本概念
    3.1.1人工神經(jīng)網(wǎng)絡(luò)節(jié)點(diǎn)的組成
    3.1.2人工神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)
    3.1.3人工神經(jīng)網(wǎng)絡(luò)的運(yùn)行
    3.1.4人工神經(jīng)網(wǎng)絡(luò)的性質(zhì)
    3.1.5人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用
    3.1.6人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)與訓(xùn)練
    3.2反傳人工神經(jīng)網(wǎng)絡(luò)算法
    3.2.1誤差逆?zhèn)鞑W(xué)習(xí)算法
    3.2.2廣義Delta規(guī)則算法
    3.3自組織特征映照（SOFM）
    3.3.1SOFM模擬
    3.3.2SOFM算法原理
    3.3.3SOFM計(jì)算步驟
    3.3.4SOFM計(jì)算實(shí)例
    3.4遺傳算法（GA）
    3.4.1遺傳算法原理
    3.4.2染色體的編碼
    3.4.3遺傳操作
    3.4.4GA計(jì)算步驟
    參考文獻(xiàn)
   4優(yōu)化策略
    4.1優(yōu)化方向
    4.1.1主圖優(yōu)化方向可視分析
    4.1.2無人工干預(yù)的優(yōu)化方向分析
    4.1.3計(jì)算步驟
    4.1.4應(yīng)用實(shí)例——燒結(jié)礦節(jié)能優(yōu)化
    4.2優(yōu)化區(qū)及其數(shù)學(xué)模型
    4.2.1多邊形
    4.2.2十字形
    4.2.3回歸建模
    4.2.4應(yīng)用實(shí)例——初軋加熱爐節(jié)能的工藝模型
    4.3可探優(yōu)化區(qū)與逆映照方法
    4.3.1可探優(yōu)化區(qū)
    4.3.2非線性逆映照（NLIM）
    4.3.3線性逆映照（LIM）
    4.3.4以迭代正映照解決逆映照
    4.3.5多目標(biāo)的可探優(yōu)化點(diǎn)的定位
    4.3.6應(yīng)用實(shí)例之一——煉焦配煤的模式識別優(yōu)化
    4.3.7應(yīng)用實(shí)例之二——鉍系高溫超導(dǎo)體制備條件的優(yōu)化
    4.3.8應(yīng)用實(shí)例之三——VPTC材料多目標(biāo)優(yōu)化設(shè)計(jì)
    4.4類中心
    4.4.1傳統(tǒng)類中心
    4.4.2近鄰加權(quán)類中心
    4.4.3類中心簇
    4.4.4類中心的應(yīng)用
    4.5自平衡降維網(wǎng)絡(luò)建模
    4.5.1克服過擬合的變元最經(jīng)濟(jì)原則
    4.5.2模式識別－人工神經(jīng)網(wǎng)絡(luò)優(yōu)化策略
    4.5.3應(yīng)用實(shí)例——鎳氫電池陰極材料的PLS－BPN優(yōu)化設(shè)計(jì)
    4.6類相似獨(dú)立網(wǎng)絡(luò)模型化（INMCA）
    4.6.1INMCA過濾噪音與預(yù)測類型
    4.6.2INMCA特征選擇與特征分類能力
    4.6.3INMCA非線性類中心
    4.7最優(yōu)點(diǎn)的遺傳算法設(shè)計(jì)和模式識別檢驗(yàn)
    4.7.1反傳神經(jīng)網(wǎng)絡(luò)和遺傳算法的結(jié)合（BP－GA）
    4.7.2最優(yōu)樣本的模式識別檢驗(yàn)
    參考文獻(xiàn)
   5綜合應(yīng)用實(shí)例之一——熱軋硅鋼片成品率的優(yōu)化
    5.1概況
    5.2數(shù)據(jù)采樣
    5.3牌號優(yōu)化
    5.3.1訓(xùn)練樣本預(yù)處理
    5.3.2模式空間變換
    5.3.3PLS－BPN建模
    5.4板形優(yōu)化
    5.4.1訓(xùn)練樣本集
    5.4.2優(yōu)化計(jì)算
    5.4.3類中心信息
    5.5硅鋼退火爐前智能指導(dǎo)系統(tǒng)
    5.5.1問題的提出
    5.5.2標(biāo)準(zhǔn)退火曲線
    5.5.3指導(dǎo)系統(tǒng)的運(yùn)行過程
    5.5.4系統(tǒng)的硬件設(shè)備
    參考文獻(xiàn)
   6綜合應(yīng)用實(shí)例之二——16Mn鋼板材力學(xué)性能的優(yōu)化
    6.1概況
    6.2訓(xùn)練樣本集
    6.3單目標(biāo)變量優(yōu)化
    6.3.1樣本分類
    6.3.2PLS映照信息
    6.4綜合目標(biāo)優(yōu)化
    6.4.1樣本綜合分類
    6.4.2優(yōu)化方向
    6.4.3遺傳算法－神經(jīng)網(wǎng)絡(luò)最優(yōu)化
    6.5終軋溫度預(yù)報(bào)系統(tǒng)
    6.5.1知識表達(dá)
    6.5.2運(yùn)行過程
    參考文獻(xiàn)
   7綜合應(yīng)用實(shí)例之三——制苯過程芳烴抽提工藝的優(yōu)化
    7.1概況
    7.2數(shù)據(jù)集A
    7.2.1數(shù)據(jù)預(yù)處理
    7.2.2主要因素和優(yōu)化方向
    7.2.3二維模式空間映照
    7.2.4討論
    7.3數(shù)據(jù)集B
    7.3.1數(shù)據(jù)預(yù)處理
    7.3.2優(yōu)化方向
    7.3.3討論
    7.4結(jié)論
    參考文獻(xiàn)
   8綜合應(yīng)用實(shí)例之四——網(wǎng)絡(luò)型高爐專家系統(tǒng)
    8.1概述
    8.1.1高爐過程簡述
    8.1.2高爐過程靜態(tài)數(shù)學(xué)模型
    8.1.3高爐動力學(xué)模型
    8.1.4高爐熱狀態(tài)模型
    8.2高爐控制
    8.2.1過程信息采集
    8.2.2高爐檢測技術(shù)
    8.2.3高爐的計(jì)算機(jī)控制
    8.2.4專家系統(tǒng)在高爐上的應(yīng)用簡況
    8.2.5勞塔魯基鋼鐵公司拉赫廠高爐專家系統(tǒng)
    8.3實(shí)時(shí)高爐網(wǎng)絡(luò)型智能爐況監(jiān)控及預(yù)報(bào)系統(tǒng)
    8.3.1系統(tǒng)軟件總體結(jié)構(gòu)
    8.3.2高爐爐況異常預(yù)報(bào)的方法研究
    8.3.3生鐵硅含量預(yù)報(bào)方法
    8.3.4運(yùn)行情況
    8.3.5小結(jié)
    參考文獻(xiàn)
   附錄 綜合應(yīng)用實(shí)例數(shù)據(jù)
   索引