化工冶金過程人工智能優化（簡體書）

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

劉洪霖，福建漳州人，生於1939年7月，1964年福州大學化學化工系畢業，1992～1993年被德國紐倫堡埃朗根大學邀請為訪問學者，現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，發表百余篇學術論文。 包宏，浙江紹興人，生於1956年9月，1982年畢業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，已發表學術論文40余篇。

1基本知識 1.1基本概念 1.1.1術語解釋 1.1.2訓練樣本與空間變換的數學表達 1.1.3樣本距離 1.2人工智能工業優化步驟 1.2.1優化步驟 1.2.2優化框圖 1.3樣本采集 1.3.1優化目標的確定 1.3.2變量的確定 1.3.3原始數據的可靠性 1.3.4訓練樣本數量 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應用類型隸屬度排除迷途樣本 1.5.3應用相對特徵－目標匹配度識別噪音 1.5.4類相似獨立模型 1.6選取特徵變量 1.6.1變量相關性 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 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 2.3.4PLS預報步驟 2.3.5PLS成分數目的確定 2.3.6計算實例——加熱爐節能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應用實例——鈹合金零件斷裂診斷和質量改進 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——煉焦配煤訓練樣本的SKNN計算 參考文獻 3兩種人工神經網絡算法和遺傳算法 3.1人工神經網絡算法的一些基本概念 3.1.1人工神經網絡節點的組成 3.1.2人工神經網絡的拓撲結構 3.1.3人工神經網絡的運行 3.1.4人工神經網絡的性質 3.1.5人工神經網絡的應用 3.1.6人工神經網絡的學習與訓練 3.2反傳人工神經網絡算法 3.2.1誤差逆傳播學習算法 3.2.2廣義Delta規則算法 3.3自組織特徵映照（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優化策略 4.1優化方向 4.1.1主圖優化方向可視分析 4.1.2無人工干預的優化方向分析 4.1.3計算步驟 4.1.4應用實例——燒結礦節能優化 4.2優化區及其數學模型 4.2.1多邊形 4.2.2十字形 4.2.3回歸建模 4.2.4應用實例——初軋加熱爐節能的工藝模型 4.3可探優化區與逆映照方法 4.3.1可探優化區 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多目標的可探優化點的定位 4.3.6應用實例之一——煉焦配煤的模式識別優化 4.3.7應用實例之二——鉍系高溫超導體制備條件的優化 4.3.8應用實例之三——VPTC材料多目標優化設計 4.4類中心 4.4.1傳統類中心 4.4.2近鄰加權類中心 4.4.3類中心簇 4.4.4類中心的應用 4.5自平衡降維網絡建模 4.5.1克服過擬合的變元最經濟原則 4.5.2模式識別－人工神經網絡優化策略 4.5.3應用實例——鎳氫電池陰極材料的PLS－BPN優化設計 4.6類相似獨立網絡模型化（INMCA） 4.6.1INMCA過濾噪音與預測類型 4.6.2INMCA特徵選擇與特徵分類能力 4.6.3INMCA非線性類中心 4.7最優點的遺傳算法設計和模式識別檢驗 4.7.1反傳神經網絡和遺傳算法的結合（BP－GA） 4.7.2最優樣本的模式識別檢驗 參考文獻 5綜合應用實例之一——熱軋硅鋼片成品率的優化 5.1概況 5.2數據采樣 5.3牌號優化 5.3.1訓練樣本預處理 5.3.2模式空間變換 5.3.3PLS－BPN建模 5.4板形優化 5.4.1訓練樣本集 5.4.2優化計算 5.4.3類中心信息 5.5硅鋼退火爐前智能指導系統 5.5.1問題的提出 5.5.2標準退火曲線 5.5.3指導系統的運行過程 5.5.4系統的硬件設備 參考文獻 6綜合應用實例之二——16Mn鋼板材力學性能的優化 6.1概況 6.2訓練樣本集 6.3單目標變量優化 6.3.1樣本分類 6.3.2PLS映照信息 6.4綜合目標優化 6.4.1樣本綜合分類 6.4.2優化方向 6.4.3遺傳算法－神經網絡最優化 6.5終軋溫度預報系統 6.5.1知識表達 6.5.2運行過程 參考文獻 7綜合應用實例之三——制苯過程芳烴抽提工藝的優化 7.1概況 7.2數據集A 7.2.1數據預處理 7.2.2主要因素和優化方向 7.2.3二維模式空間映照 7.2.4討論 7.3數據集B 7.3.1數據預處理 7.3.2優化方向 7.3.3討論 7.4結論 參考文獻 8綜合應用實例之四——網絡型高爐專家系統 8.1概述 8.1.1高爐過程簡述 8.1.2高爐過程靜態數學模型 8.1.3高爐動力學模型 8.1.4高爐熱狀態模型 8.2高爐控制 8.2.1過程信息采集 8.2.2高爐檢測技術 8.2.3高爐的計算機控制 8.2.4專家系統在高爐上的應用簡況 8.2.5勞塔魯基鋼鐵公司拉赫廠高爐專家系統 8.3實時高爐網絡型智能爐況監控及預報系統 8.3.1系統軟件總體結構 8.3.2高爐爐況異常預報的方法研究 8.3.3生鐵硅含量預報方法 8.3.4運行情況 8.3.5小結 參考文獻 附錄 綜合應用實例數據 索引