欢迎来到天天文库
浏览记录
ID:32467774
大小:2.19 MB
页数:55页
时间:2019-02-06
《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》由会员上传分享,免费在线阅读,更多相关内容在学术论文-天天文库。
1、重庆大学硕士擘位论文中文摘攘摘要铽稼为~稃蚤妻盒耩,在锈铁冶金、电子工渡和嗣防工监等众多领域有着广泛的应用。我重毯兹黪提镊罴联熬怒转妒提铙麴方式,餐转炉提镳为久工搽佟模式,塞动化控熹l承乎低,产品获量波动大。蕤着“;薹信惑位带动工渣毒乏”袋为务个工业企业发展的核心战燎任务,转炉炼钢过程瓣诗舞极应爆鼹转炉发鼹敷莛安方向。计辫机应用的一个黧要方式就是建立转炉掇钒过程的数学模型。数学模型能定量地描述系统运动的觏律,对科学研究翱指导生产都舆有非常霪要的意义。哥前,在炼钢、炼铁的许多领竣,都建立起了数学模激,在提商技术水平、稳定技术指标等方面取得了稆囊好的应糟效菜。
2、本论文慰重庆大学是凌控戳磅袋鬓与菜镪铁公霹台襻开发髂“提铽过耩静恣模型及箕控裁凌繁谤雾磐戆磅究”矮器<鞋下簿稼磺鏊)遴杼7深入豹研究。瓣本项曩的建模极制、模型算法、模熬垅蚀从受疫理论戆惫发终了瑟趣探讨,搀蘩于免疫的混台学习算法用于项目中径向旗函数神缀网络的建模,丰富了此项目舱建模方法,避一步深他了对项目的理解。在对基予免痰的溉台学习算法的探讨过程中,我们对簿法的免疫学鹜景,兔疫溺络的福美理论作了较详细酌阐述,并瓤免疫系统的角度对RBF神经网络做了全凝鳇织释,撬窭了l{8F章枣经籀终藏是久工免疫系统的蕊赢。对綦予兔疫静混合举弼葵法瓣掰耱予葵法:逶建交隆选择进
3、行学习方法襄添过痰都亲秘方遴行学习方法,从算法原理、簿法步骤鞠算法验涯等多个方霆进学了谬缨熬滔述。势最终将冀焉到了我们的提钒静态模型的建模上:采用通过克隆选择进行学习的冀法建立只有足够预报精度的模楚,褥采用通过内郄亲和力进行学习这种减量算法对模型遴行调整,以使模疆结构最简。遥过仿真实验,{芷明基于免疫的混合学习算法稿对于传统算法有孵虢的优越髋。荚毽谗:蒸予免疫麴浚食学习算法,逶邀竟殛选舞避黪学嚣算浚,潺过逛罄浆稳力进行学习算法,提钒,静态模型萤庆大学硕士论文英文摘鬻ABSTRACTVanadiumisakindofimportantandvaluablem
4、entalthathaswiIdapplicationinsteelmaking,electronicproductionandnationaldefenseindustry,Atpresent,ourcountry’Srefiningofvanadiumisbasedonhuman’Sexperience.TheautomaticdegreeisSOlowthatthequalityoftheproductsfluctuatesgreatly。Withthe‘'Informationtechnologydriveindustrialization"has
5、becomethekeystrategyoftheeveryenterprise,theapplicationofcomputerinrefiningofvanadiumisanimportantdirection.Animportantwayofusing,computerisconstructingmathematicalmodelofrefiningofvanadium。MathematicalmodelCandescribetherulesofsystem’Smovementinquantity,SOithasimportantmeaningtos
6、cientificresearchandpracticalmanufacturing.Atpresent,inmanyfieldsofsteel-making,therehaveconstructedmathematicalmodelthathavepositiveeffectonraisingtechnicallevelandstabilizingtechnicalguideline.Thisdissertationhasmade玉锩researchonthe“staticmodelofrefiningofvanadiumandtheresearchof
7、itscomputableintelligenceofcontrolstrategy”project.Itmakessomeinnovativediscussiononthemodelingmechanism,modelalgorithm,andmodeloptimizationfromthepointofviewofimmunitytheory.Itthenusestheimmunity-basedhybridlearningmethodinthemodelingoftheRBFneuralnetwork,whichhasenrichedthemodel
8、ingmethod,andmadedeeperunderstand
此文档下载收益归作者所有