《化工冶金过程人工智能优化》求取 ⇩

1 基础知识1

1．1 基本概念1

1．1．1 术语解释1

1．1．2 训练样本与空间变换的数学表达5

1．1．3 样本距离7

1．2 人工智能工业优化步骤8

1．2．1 优化步骤8

1．2．2 优化框图9

1．3 样本采集10

1．3．1 优化目标的确定10

1．3．2 变量的确定12

1．3．3 原始数据的可靠性13

1．3．4 训练样本数量14

1．4 样本标准化14

1．4．1 自标准化15

1．4．2 范围标准化16

1．5 过滤噪音16

1．5．1 离群样本有噪音之嫌17

1．5．2 应用类型隶属度排除迷途样本17

1．5．3 应用相对特征-目标匹配度识别噪音19

1．5．4 类相似独立模型20

1．6 选取特征变量20

1．6．1 变量相关性21

1．6．2 变量对目标的贡献22

1．6．3 变量正交组合24

1．7 模式空间的势和分类图25

1．7．1 模式空间的势25

1．7．2 模式空间分类图26

参考文献27

2 传统分类模式识别计算方法28

2．1 主成分分析（PCA）28

2．1．1 主成分原理28

2．1．2 主成分的性质30

2．1．3 主成分的贡献率32

2．1．4 主成分算法步骤33

2．1．5 计算实例——炼焦配煤的主成分模式识别33

2．2 最优判别平面（ODP）39

2．2．1 ODP原理39

2．2．2 讨论42

2．2．3 ODP算法步骤44

2．2．4 计算实例——电镀工艺的ODP映照44

2．3 偏最小二乘法（PLS）50

2．3．1 主成分的NIPALS算法51

2．3．2 PLS算法步骤和原理54

2．3．3 PLS的若干性质56

2．3．5 PLS成分数目的确定58

2．3．4 PLS预报步骤58

2．3．6 计算实例——加热炉节能PLS计算60

2．4 非线性映照（NLM）65

2．4．1 线性映照的困难65

2．4．2 NLM原理65

2．4．3 PCA-NLM和PLS-NLM66

2．4．4 NLM计算步骤67

2．4．5 应用实例——铍合金零件断裂诊断和质量改进68

2．5 SIMCA69

2．5．1 SIMCA的基本原理70

2．5．2 SIMCA信息分析71

2．5．3 SIMCA计算步骤73

2．5．4 应用实例——新钢种加工性能SIMCA分析74

2．6 最近邻法（KNN）与共享最近邻法（SKNN）74

2．6．1 KNN方法74

2．6．2 SKNN方法75

2．6．3 计算实例——炼焦配煤训练样本的SKNN计算75

参考文献79

3 两种人工神经网络算法和遗传算法81

3．1 人工神经网络算法的一些基本概念81

3．1．1 人工神经网络节点的组成82

3．1．2 人工神经网络的拓扑结构84

3．1．4 人工神经网络的性质86

3．1．3 人工神经网络的运行86

3．1．5 人工神经网络的应用88

3．1．6 人工神经网络的学习与训练88

3．2 反传人工神经网络算法90

3．2．1 误差逆传播学习算法90

3．2．2 广义Delta规则算法94

3．3 自组织特征映照（SOFM）97

3．3．1 SOFM模拟97

3．3．2 SOFM算法原理97

3．3．3 SOFM计算步骤100

3．3．4 SOFM计算实例102

3．4 遗传算法（GA）104

3．4．1 遗传算法原理105

3．4．2 染色体的编码106

3．4．3 遗传操作107

3．4．4 GA计算步骤107

参考文献109

4 优化策略111

4．1 优化方向112

4．1．1 主图优化方向可视分析112

4．1．2 无人工干预的优化方向分析114

4．1．3 计算步骤117

4．1．4 应用实例——烧结矿节能优化117

4．2 优化区及其数学模型121

4．2．1 多边形122

4．2．2 十字形123

4．2．3 回归建模124

4．2．4 应用实例——初轧加热炉节能的工艺模型125

4．3 可探优化区与逆映照方法126

4．3．1 可探优化区126

4．3．2 非线性逆映照（NLIM）127

4．3．3 线性逆映照（LIM）128

4．3．4 以迭代正映照解决逆映照130

4．3．5 多目标的可探优化点的定位131

4．3．6 应用实例之一——炼焦配煤的模式识别优化132

4．3．7 应用实例之二——铋系高温超导体制备条件的优化133

4．3．8 应用实例之三——VPTC材料多目标优化设计137

4．4 类中心141

4．4．1 传统类中心141

4．4．2 近邻加权类中心142

4．4．3 类中心簇143

4．4．4 类中心的应用145

4．5 自平衡降维网络建模146

4．5．1 克服过拟合的变元最经济原则147

4．5．2 模式识别-人工神经网络优化策略148

4．5．3 应用实例——镍氢电池阴极材料的PLS-BPN优化设计149

4．6 类相似独立网络模型化（INMCA）154

4．6．1 INMCA过滤噪音与预测类型154

4．6．2 INMCA特征选择与特征分类能力156

4．6．3 INMCA非线性类中心157

4．7 最优点的遗传算法设计和模式识别检验158

4．7．1 反传神经网络和遗传算法的结合（BP-GA）158

4．7．2 最优样本的模式识别检验159

参考文献159

5 综合应用实例之一——热轧硅钢片成品率的优化162

5．1 概况162

5．2 数据采样162

5．3 牌号优化163

5．3．1 训练样本预处理163

5．3．2 模式空间变换164

5．3．3 PLS-BPN建模166

5．4 板形优化169

5．4．1 训练样本集169

5．4．2 优化计算170

5．4．3 类中心信息170

5．5 硅钢退火炉前智能指导系统174

5．5．1 问题的提出174

5．5．2 标准退火曲线174

5．5．3 指导系统的运行过程175

5．5．4 系统的硬件设备175

参考文献177

6．2 训练样本集178

6 综合应用实例之二——16Mn钢板材力学性能的优化178

6．1 概况178

6．3 单目标变量优化179

6．3．1 样本分类179

6．3．2 PLS映照信息179

6．4 综合目标优化183

6．4．1 样本综合分类183

6．4．2 优化方向184

6．4．3 遗传算法-神经网络最优化186

6．5 终轧温度预报系统187

6．5．1 知识表达187

6．5．2 运行过程188

参考文献189

7 综合应用实例之三——制苯过程芳烃抽提工艺的优化190

7．1 概况190

7．2 数据集A191

7．2．1 数据预处理191

7．2．2 主要因素和优化方向193

7．2．3 二维模式空间映照195

7．2．4 讨论195

7．3 数据集B197

7．3．1 数据预处理197

7．3．2 优化方向197

7．3．3 讨论198

7．4 结论199

参考文献199

8 综合应用实例之四——网络型高炉专家系统200

8．1 概述200

8．1．1 高炉过程简述200

8．1．2 高炉过程静态数学模型201

8．1．3 高炉动力学模型202

8．1．4 高炉热状态模型203

8．2 高炉控制206

8．2．1 过程信息采集207

8．2．2 高炉检测技术208

8．2．3 高炉的计算机控制209

8．2．4 专家系统在高炉上的应用简况211

8．2．5 劳塔鲁基钢铁公司拉赫厂高炉专家系统216

8．3 实时高炉网络型智能炉况监控及预报系统220

8．3．1 系统软件总体结构220

8．3．2 高炉炉况异常预报的方法研究225

8．3．3 生铁硅含量预报方法231

8．3．4 运行情况235

8．3．5 小结236

参考文献237

附录 综合应用实例数据239

索引248