化工冶金過程人工智能優(yōu)化

內(nèi)容概要

內(nèi)容簡介
本書推薦一種新發(fā)展的化工冶金過程人工智能優(yōu)化策略。書中解釋樣
本模式空間變換基本概念，闡述分類模式識別、人工神經(jīng)網(wǎng)絡(luò)、遺傳算法原
理與計算步驟，介紹基于上述算法的工藝過程優(yōu)化新技術(shù)，剖析多個成效顯
著的應(yīng)用實例。本書可供研究過程優(yōu)化的工程技術(shù)人員和科研人員閱讀，也
可作為有關(guān)專業(yè)本科生和研究生教學參考書。

作者簡介

劉洪霖，福建漳州人，生于1939年7月，1964年福州大學化學化工系畢業(yè)，1992～1993年被德國紐倫堡埃朗根大學邀請為訪問學者，現(xiàn)為中國科學院上海冶金研究所研究員，從事過程人工智能優(yōu)化和材料量子化學計算方面研究，已出版《量子化學從頭計算方法與程序》等3本專著，發(fā)表百余篇學術(shù)論文。包宏，浙江紹興人，生于1956年9月，1982年畢業(yè)于東北大學有色冶金系，1984年獲中國科學院化工冶金研究所碩士學位，現(xiàn)為北京科技大學信息工程學院計算機系副教授，從事化工冶金過程人工智能方面的研究，已發(fā)表學術(shù)論文40余篇。

書籍目錄

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)學表達 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樣本標準化 1.4.1自標準化 1.4.2范圍標準化 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－目標匹配度識別噪音 1.5.4類相似獨立模型 1.6選取特征變量 1.6.1變量相關(guān)性 1.6.2變量對目標的貢獻 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2傳統(tǒng)分類模式識別計算方法 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主成分的貢獻率 2.1.4主成分算法步驟 2.1.5計算實例——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計算實例——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)報步驟 2.3.5PLS成分數(shù)目的確定 2.3.6計算實例——加熱爐節(jié)能PLS計算 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計算步驟 2.4.5應(yīng)用實例——鈹合金零件斷裂診斷和質(zhì)量改進 2.5SIMCA 2.5.1SIMCA的基本原理 2.5.2SIMCA信息分析 2.5.3SIMCA計算步驟 2.5.4應(yīng)用實例 —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計算實例——煉焦配煤訓(xùn)練樣本的SKNN計算 參考文獻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)點的組成 3.1.2人工神經(jīng)網(wǎng)絡(luò)的拓撲結(jié)構(gòu) 3.1.3人工神經(jīng)網(wǎng)絡(luò)的運行 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)的學習與訓(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習算法 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計算步驟 3.3.4SOFM計算實例 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計算步驟 參考文獻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計算步驟 4.1.4應(yīng)用實例——燒結(jié)礦節(jié)能優(yōu)化 4.2優(yōu)化區(qū)及其數(shù)學模型 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多目標的可探優(yōu)化點的定位 4.3.6應(yīng)用實例之一——煉焦配煤的模式識別優(yōu)化 4.3.7應(yīng)用實例之二——鉍系高溫超導(dǎo)體制備條件的優(yōu)化 4.3.8應(yīng)用實例之三——VPTC材料多目標優(yōu)化設(shè)計 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)用實例——鎳氫電池陰極材料的PLS－BPN優(yōu)化設(shè)計 4.6類相似獨立網(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)點的遺傳算法設(shè)計和模式識別檢驗 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 參考文獻5綜合應(yīng)用實例之一——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標準退火曲線 5.5.3指導(dǎo)系統(tǒng)的運行過程 5.5.4系統(tǒng)的硬件設(shè)備 參考文獻6綜合應(yīng)用實例之二——16Mn鋼板材力學性能的優(yōu)化 6.1概況 6.2訓(xùn)練樣本集 6.3單目標變量優(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)報系統(tǒng) 6.5.1知識表達 6.5.2運行過程 參考文獻7綜合應(yīng)用實例之三——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8綜合應(yīng)用實例之四——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)學模型 8.1.3高爐動力學模型 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高爐的計算機控制 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實時高爐網(wǎng)絡(luò)型智能爐況監(jiān)控及預(yù)報系統(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)報的方法研究 8.3.3生鐵硅含量預(yù)報方法 8.3.4運行情況 8.3.5小結(jié) 參考文獻附錄 綜合應(yīng)用實例數(shù)據(jù)索引

編輯推薦

本書推薦一種新發(fā)展的化工冶金過程人工智能優(yōu)化策略。書中解釋樣本模式空間變換基本概念，闡述分類模式識別、人工神經(jīng)網(wǎng)絡(luò)、遺傳算法原理與計算步驟，介紹基于上述算法的工藝過程優(yōu)化新技術(shù)，剖析多個成效顯著的應(yīng)用實例。本書可供研究過程優(yōu)化的工程技術(shù)人員和科研人員閱讀，也可作為有關(guān)專業(yè)本科生和研究生教學參考書。

圖書封面

評論、評分、閱讀與下載

---

    化工冶金過程人工智能優(yōu)化 PDF格式下載

---