参考文献/References:
[1]刘玠.人工智能推动冶金工业变革[J].钢铁,2020,55(06):1-7.[2]李江昀,杨志方,郑俊锋,等.深度学习技术在钢铁工业中的应用[J].钢铁,2021,56(09):43-49.
[3]刘振宇,曹光明,周晓光,等.组织性能预测技术及其在智能热轧中的核心作用[J].轧钢,2019,36(02):1-7.
[4]高文,黄铁军.从信息社会迈向智能社会[J]. 中国报业, 2020(5):46-47.
[5]殷瑞钰.关于智能化钢厂的讨论——从物理系统一侧出发讨论钢厂智能化[J].钢铁,2017,52(6):1.
[6]赵振锐,孙雪娇.钢铁企业智能制造架构的探索、实践及展望[J].冶金自动化,2019,43(1):24.
[7]谢少捷,王伟,何福善.基于梯度提升决策树的特征筛选与钢卷力学性能预测[J].机械工程材料,2021,45(10):104-110.
[8]杨健,吴思炜.基于机器学习的钢铁轧制过程性能预测[J].钢铁,2021,56(09):1-9.
[9]韩凤兰,戴闻斌,李玲玉,等.基于BP神经网络的粉煤灰进场快速检测和性能预测技术研究[J].建筑施工,2021,43(09):1864-1868.
[10]陈小军,李鹏飞,李萍,等.多元逐步回归分析法在煤层含气量预测中的应用[J].煤炭工程,2019,51(2):106-111.
[11]沈立成,黄思静,刘洁,等.用多元逐步回归方法评价储层孔隙度的控制因素[J].成都理工学院学报,2002(6):610-616.
[12]付勇,汪立今,柴凤梅,等.多元线性回归和逐步回归分析在白石泉Cu-Ni 硫化物矿床研究中的应用[J].地学前缘,2009,16(1):373-380.
[13]国亮.改进多元线性回归模型在某油田产量预测中的应用[J].西安电子科技大学学报:社会科学版,2009,19(3):71-75.
[14]张杰,朱家明.基于多元回归和三次指数平滑法对垃圾总量的预测[J].齐鲁工业大学学报,2020,34(04):69-74.
[15]杨丽,付伟.基于多元线性回归的云南省经济发展影响因素分析[J].山西农经,2019(04):9-11.
相似文献/References:
[1]李荣芳.基于神经网络的 WiFi 位置指纹室内定位算法研究[J].工业仪表与自动化装置,2022,(03):109.[doi:10.19950/j.cnki.cn61-1121/th.2022.03.023]
LI Rongfang.Research on WiFi location fingerprint indoor localization algorithm based on neural network[J].Industrial Instrumentation & Automation,2022,(02):109.[doi:10.19950/j.cnki.cn61-1121/th.2022.03.023]
[2]李 闯,蔺奕存,李鹏竹,等.基于One-Class SVM的凝泵入口滤网堵塞预警模型开发与应用[J].工业仪表与自动化装置,2022,(05):97.[doi:10.19950/j.cnki.cn61-1121/th.2022.05.018]
LI Chuang,LIN Yicun,LI Pengzhu,et al.Development and application of an early warning model for condensate pump inlet filter clogging based on One-Class SVM[J].Industrial Instrumentation & Automation,2022,(02):97.[doi:10.19950/j.cnki.cn61-1121/th.2022.05.018]