|
|
|
|
基于免疫的混合学习算法在转炉提钒静态模型中的应用研究 |
| |
| 论文目录 |
| |
| 中文摘要 | 第1-4页 | | 英文摘要 | 第4-8页 | | 1 绪论 | 第8-15页 | | ·课题来源与项目背景 | 第8页 | | ·提钒模型研究概况 | 第8-13页 | | ·钒的重要价值 | 第8-9页 | | ·国内外的提钒方法 | 第9页 | | ·攀钢目前的提钒技术现状 | 第9-10页 | | ·攀钢建立提钒过程静态模型的必要性和可能性 | 第10页 | | ·目前转炉提钒静态模型的建模方法 | 第10-11页 | | ·人工智能为工业过程建模提供了新方法 | 第11-12页 | | ·攀钢转炉提钒静态模型及专家系统简介 | 第12-13页 | | ·本文的主要内容及安排 | 第13-15页 | | 2 免疫学基础 | 第15-24页 | | ·免疫学的基本概念 | 第15-19页 | | ·免疫 | 第15页 | | ·免疫学的由来 | 第15页 | | ·免疫系统 | 第15-16页 | | ·免疫的功能 | 第16页 | | ·抗原 | 第16-17页 | | ·抗体 | 第17-18页 | | ·免疫应答 | 第18-19页 | | ·B细胞 | 第19页 | | ·Jerne的免疫网络学说 | 第19-20页 | | ·免疫学中的免疫网络学说 | 第19页 | | ·从信息处理的角度认识免疫网络学说 | 第19-20页 | | ·克隆选择 | 第20-21页 | | ·免疫网络模型 | 第21-24页 | | ·Farmer的免疫网络模型 | 第21-22页 | | ·Timmis和Neal的免疫网络模型 | 第22-24页 | | 3 径向基函数(RBF)神经网络 | 第24-32页 | | ·神经网络概述 | 第24-25页 | | ·人工神经网络的特点 | 第24-25页 | | ·神经网络的学习和训练 | 第25页 | | ·径向基函数(RBF)神经网络概述 | 第25-27页 | | ·RBF神经网络在数学上的可行性 | 第27页 | | ·RBF神经网络的函数逼近能力 | 第27-29页 | | ·RBF函数的选择 | 第29页 | | ·RBF神经网络的学习算法 | 第29-32页 | | ·RBF函数中心的选择 | 第30-31页 | | ·输出层权值的调整 | 第31-32页 | | 4 基于免疫的径向基函数神经网络混合学习算法 | 第32-45页 | | ·从免疫的观点出发重新思考RBF神经网络 | 第32-33页 | | ·人工免疫网络中有关参量的计算 | 第33-34页 | | ·相关匹配度的计算 | 第33-34页 | | ·抗体浓度的计算 | 第34页 | | ·基于免疫的RBF神经网络混合学习算法概述 | 第34-35页 | | ·通过克隆选择学习 | 第35-40页 | | ·算法基本步骤 | 第35-37页 | | ·算法验证 | 第37-40页 | | ·通过内部亲和力学习 | 第40-43页 | | ·算法基本步骤 | 第40-41页 | | ·算法验证 | 第41-43页 | | ·两种算法的比较和算法优点 | 第43-45页 | | 5 采用基于免疫的混合学习算法训练的提钒静态模型 | 第45-53页 | | ·攀钢转炉提钒静态模型简介 | 第45-49页 | | ·攀钢转炉提钒的工艺流程和生产现状 | 第45-46页 | | ·转炉提钒模型的系统总体架构 | 第46-47页 | | ·智能模型的输入输出框图 | 第47-49页 | | ·应用基于免疫的混合学习算法的提钒静态模型的建模 | 第49-50页 | | ·仿真及其结果分析 | 第50-53页 | | 6 结论 | 第53-55页 | | 致谢 | 第55-56页 | | 参考文献 | 第56-59页 |
|
|
|
|
论文编号BS1007939，这篇论文共59页
会员购买按0.35元/页下载，共需支付20.65元。 直接购买按0.5元/页下载，共需要支付29.5元 。 |
 |
 |
我还不是会员，注册会员！
会员下载更优惠!充值送钱！ |
我只需要这篇，无需注册！
直接网上支付，方便快捷！ |
|
|
|
版权申明：本目录由www.jylw.com网站制作，本站并未收录原文，如果您是作者，需要删除本篇论文目录请通过QQ或其它联系方式告知我们，我们承诺24小时内删除。 |
|
|
广告服务