导读:本文包含了硅含量预报论文开题报告文献综述及选题提纲参考文献，主要关键词:铁水硅含量,预报,模型,计算
硅含量预报论文文献综述
李荣,郭江,宋玉安[1]（2018）在《铁水硅含量预报模型的设计与实现》一文中研究指出本文以炉料装入情况、高炉综合煤气成分分析和渣铁温度作为基本参数,建立铁水硅含量预报模型,导出生铁硅含量的计算公式,并采集现场生铁硅含量实测数据,计算出的硅含量.结果表明,该模型预测的硅含量与实测硅含量一致。该模型可以实现早预报、快预报和准确预报,有助于实现高炉冶炼过程的控制。(本文来源于《矿产综合利用》期刊2018年03期）
蒋珂,蒋朝辉,谢永芳,潘冬,桂卫华[2]（2017）在《大型高炉铁水硅含量变化趋势的智能预报》一文中研究指出高炉铁水硅含量变化趋势的准确预报对高炉炉温的精细化调控非常重要。然而现有对铁水硅含量趋势的研究仅局限于利用前后两炉次的差值来量化下一炉次趋势的变化,无法避免因数据的随机性和偶然性造成的误差,也无法量化未来一段时间内铁水硅含量的变化趋势,且对铁水硅含量变化趋势划分不完全。为此,本文在对现场数据预处理的基础上,结合现场操作制度、专家经验和变量的滞后时间确定趋势变化周期,采用回归拟合确定硅含量趋势的变化信息,利用复合差分进化算法来优化极限学习机的参数,建立高炉铁水硅含量变化趋势智能预报模型,实现大型高炉铁水硅含量变化趋势的五分类预报,现场数据验证了所建模型的有效性和可行性,为高炉操作者提前判断炉况变化趋势以及调控方向与幅度提供了可靠的参考依据。(本文来源于《第28届中国过程控制会议（CPCC 2017）暨纪念中国过程控制会议30周年摘要集》期刊2017-07-30）
蒋朝辉,尹菊萍,桂卫华,阳春华[3]（2016）在《基于复合差分进化算法与极限学习机的高炉铁水硅含量预报》一文中研究指出针对铁水硅含量无法直接在线检测的问题,本文提出了一种基于优化极限学习机(ELM)的高炉铁水硅含量预报方法.该方法利用复合差分进化算法(CoDE)的快速定位全局最优解的能力来优化极限学习机的输入权值和隐层节点阈值,在此基础上建立了基于复合差分进化算法优化极限学习机(CoDE-ELM)的高炉铁水硅含量预报模型.以某钢铁厂2650 m~3的高炉为例,利用实际采集数据进行模型检验,结果表明,当绝对误差小于0.1时,铁水硅含量的预报命中率为89%,均方根误差为0.047,实际目标值序列与预报值序列的相关系数为0.851.所建模型的预报结果优于支持向量机(SVM)、前馈神经网络(BP-NN)、极限学习机以及差分优化极限学习机(DE-ELM),对高炉炉温的实际调控具有较好的指导意义.(本文来源于《控制理论与应用》期刊2016年08期）
蒋朝辉,董梦林,桂卫华,阳春华,谢永芳[4]（2016）在《基于Bootstrap的高炉铁水硅含量二维预报》一文中研究指出高炉铁水硅含量的实时准确预报对调控高炉炉温和稳定炉况具有重要作用,但其预报结果一直存在准确度不高和缺乏可信度表征等问题,特别是在炉况不稳、运行数据波动较大时,预报结果的准确度和可信度急速下降,不利于现场操作人员根据预报结果进行生产操作.为此本文融合神经网络和Bootstrap预报区间方法,构建高炉铁水硅含量的二维预报模型,实现在预报硅含量值的同时给出了该预测值的可信度.应用实例表明,本文提出的方法提高了硅含量点预测结果的准确度,且预测区间宽度能正确地表征点预测结果的可信度,对实际生产操作具有较好的指导意义.(本文来源于《自动化学报》期刊2016年05期）
于卓颖,郑涛[5]（2015）在《基于神经网络的高炉铁水硅含量和硫含量预报模型》一文中研究指出采用基于自学习的参考炉次法,建立了反应高炉炉温和铁水质量的预报模型,对炼铁过程铁水硅含量和硫含量进行预报,建立了基于BP神经网络的高炉铁水硅含量和硫含量预报模型。用国内某高炉的生产数据进行模型训练,经预报结果数据验证表明,想要通过现有直接获取的高炉参数很难准确同时预报铁水硅含量和硫含量,但基本能准确预报铁水硫含量的变化趋势。(本文来源于《2015年炼铁共性技术研讨会论文集》期刊2015-04-08）
李江鹏,石琳,于涛,曹富军,袁冬芳[6]（2013）在《基于自回归分布滞后模型的高炉铁水硅含量的预报》一文中研究指出高炉冶炼过程中,铁水硅含量是评定高炉炉况稳定性和生铁质量的重要指标,其预测和控制对高炉的稳定顺行有重要意义.基于包钢6号高炉的生产数据,建立差分时间序列的自回归分布滞后模型对高炉铁水硅含量进行预测.结果表明:在炉况波动较小的情况下,该模型的预测命中率能达到87.5%,对实际的生产操作过程有一定的指导意义.(本文来源于《内蒙古大学学报(自然科学版)》期刊2013年04期）
任江洪,陈韬,曹长修[7]（2012）在《混合高斯过程回归模型在铁水硅含量预报中的应用》一文中研究指出为了提高基于高斯过程回归的软测量模型的预测精度,提出了一种混合高斯过程回归模型。该模型将高斯过程回归模型预测输出值的方差及其分布作为主要考虑因素,对多个高斯过程回归模型的输出值进行组合输出,获得了比单个高斯过程回归模型更高的预测精度和更强的模型鲁棒性。将该模型实用于高炉铁水硅含量预报模型的建模,获得了比使用单个高斯过程回归模型建模时更好的应用效果。(本文来源于《重庆大学学报》期刊2012年02期）
李连成,车玉满,孙鹏,孙波,郭天永[8]（2011）在《高炉铁水硅含量预报的方法的研究》一文中研究指出以当前硅含量短期均值、硅含量中期均值、硅含量长期均值、当前铁水对应的风口理论燃烧温度及当前铁水含硫量五个参数作为自变量,预报下一次铁水的含硅量。在炉况波动小时主要依靠均线系统,在炉况波动大时自动加入风口理论燃烧温度及前次铁水含硫量。采用较少自变量,获得较好的预报精度,提高高炉铁水硅含量的预报命中率。(本文来源于《第八届（2011）中国钢铁年会论文集》期刊2011-10-26）
李昕,毕学工[9]（2010）在《高炉铁水硅含量的神经网络预报》一文中研究指出通过神经网络对韶钢8号高炉的部分生产数据进行了铁水[Si]含量的预报,确定了w(Si)的主要影响因素,构建了较好的神经网络结构,并根据预报结果提出了判定炉热变化趋势的符合率的标准。(本文来源于《河南冶金》期刊2010年02期）
唐贤伦,庄陵,胡向东[10]（2009）在《铁水硅含量的混沌粒子群支持向量机预报方法》一文中研究指出提出一种基于混沌粒子群优化(CPSO)的支持向量回归机(SVR)参数优化算法,并使用该算法建立高炉铁水硅含量预测模型(CPSO–SVR),对某大型钢铁厂高炉铁水硅含量的实际采集数据进行预测,结果表明基于混沌粒子群优化算法寻优的参数建立的铁水硅含量支持向量回归预测模型具有良好的预测效果.与最小二乘支持向量回归机(LS–SVR)、使用粒子群优化算法训练的神经网络(PSO–NN)进行比较,CPSO–SVR模型对铁水硅含量进行预测时预测绝对误差小于0.03的样本数占总测试样本数的百分比达到90%以上,预测效果明显优于PSO–NN,且比LS–SVR稳定性更强,可用于高炉铁水硅含量的实际预测,表明混沌粒子群优化算法是选取SVR参数的有效方法.(本文来源于《控制理论与应用》期刊2009年08期）
硅含量预报论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
高炉铁水硅含量变化趋势的准确预报对高炉炉温的精细化调控非常重要。然而现有对铁水硅含量趋势的研究仅局限于利用前后两炉次的差值来量化下一炉次趋势的变化,无法避免因数据的随机性和偶然性造成的误差,也无法量化未来一段时间内铁水硅含量的变化趋势,且对铁水硅含量变化趋势划分不完全。为此,本文在对现场数据预处理的基础上,结合现场操作制度、专家经验和变量的滞后时间确定趋势变化周期,采用回归拟合确定硅含量趋势的变化信息,利用复合差分进化算法来优化极限学习机的参数,建立高炉铁水硅含量变化趋势智能预报模型,实现大型高炉铁水硅含量变化趋势的五分类预报,现场数据验证了所建模型的有效性和可行性,为高炉操作者提前判断炉况变化趋势以及调控方向与幅度提供了可靠的参考依据。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
硅含量预报论文参考文献
[1].李荣,郭江,宋玉安.铁水硅含量预报模型的设计与实现[J].矿产综合利用.2018
[2].蒋珂,蒋朝辉,谢永芳,潘冬,桂卫华.大型高炉铁水硅含量变化趋势的智能预报[C].第28届中国过程控制会议（CPCC2017）暨纪念中国过程控制会议30周年摘要集.2017
[3].蒋朝辉,尹菊萍,桂卫华,阳春华.基于复合差分进化算法与极限学习机的高炉铁水硅含量预报[J].控制理论与应用.2016
[4].蒋朝辉,董梦林,桂卫华,阳春华,谢永芳.基于Bootstrap的高炉铁水硅含量二维预报[J].自动化学报.2016
[5].于卓颖,郑涛.基于神经网络的高炉铁水硅含量和硫含量预报模型[C].2015年炼铁共性技术研讨会论文集.2015
[6].李江鹏,石琳,于涛,曹富军,袁冬芳.基于自回归分布滞后模型的高炉铁水硅含量的预报[J].内蒙古大学学报(自然科学版).2013
[7].任江洪,陈韬,曹长修.混合高斯过程回归模型在铁水硅含量预报中的应用[J].重庆大学学报.2012
[8].李连成,车玉满,孙鹏,孙波,郭天永.高炉铁水硅含量预报的方法的研究[C].第八届（2011）中国钢铁年会论文集.2011
[9].李昕,毕学工.高炉铁水硅含量的神经网络预报[J].河南冶金.2010
[10].唐贤伦,庄陵,胡向东.铁水硅含量的混沌粒子群支持向量机预报方法[J].控制理论与应用.2009