我国城镇化进程与钢铁企业能耗趋势研究

节能减排是近年来很受关注的热点问题，也是钢铁企业等重工业企业发展过程中需要关注的重点。论文借助BP神经网络和Adaboost框架算法的预测功能作为技术支持，采集2005-2014年大型钢铁企业的吨钢综合能耗数据作为研究对象，预测了15家大型企业2018至2025年的能耗，实现了根据预测结果进行相对警级划分并针对不同警级给出相应整改建议的目的。文章主要从节能减排的意义、预警的重要作用、BP神经网络的基本工作原理、Adaboost算法的基本思想、本案例的实验数据处理、BP算法弱预测器的参数改进、Adaboost算法的强预测功能实现、预警系统的技术实现、预警结果分析以及试验中的不足总结和未来可改进空间等几个方面进行了讨论。

引言
第一章 研究的背景与意义
一、节能减排是国家的发展战略
二、能耗预警是实现节能减排的重要手段
三、人工神经网络是进行能耗预警的有效方法
四、Boosting框架是提升语塞算法准确度的有力途径
第二章 文献综述
一、与可持续发展相关的理论综述
（一）增长的极限理论
（二）生态控制论
（三）循环经济理论
（四）三种生产理论
二、企业可持续发展研究文献综述
（一）企业可持续发展的内涵研究
（二）企业可持续发展的影响因素
（三）企业可持续发展的实现途径
（四）企业可持续发展评价研究
三、钢铁能耗研究综述
（一）能耗研究
（二）钢铁行业可持续发展
四、预警方法
（一）能耗总量预警
（二）主要节能因素预警
（三）生产物流预警
第三章 我国钢铁产量预测
一、系统分析
（一）钢铁消费与城镇化水平关系分析
（二）系统因果关系
二、系统动力学建模与仿真
（一）系统参数确定
（二）模型构建
三、情景分析
（一）分情景预测
（二）情景分析结果讨论
（三）小结
第四章 神经网络与Adaboost简介
一、神经网络介绍
（一）BP神经网络的基本结构
（二）BP神经网络的学习规则
（三）BP神经网络的改进算法
二、Adaboost算法简介
（一）基本思想
（二）迭代步骤
（三）应用领域
第五章 BP_Adaboost算法
一、基本思想
（一）BP神经网络的建立与训练
（二）Adaboost框架下的强预测器
（三）预警警级的划分
二、算法步骤
三、本书中的应用
第六章 基于BP神经网络的弱预测器
一、BP算法的改进
（一）样本数据的处理
（二）训练函数的选取
（三）改进算法的参数确定
二、模型建立与算法实现
（一）BP神经网络的建立与训练
（二）BP神经网络的仿真与预测
三、BP神经网络的不足
第七章 基于Adaboost算法的强分类器
一、强预测算法的实现
（一）框架算法的代码实现
（二）结果分析
二、能耗预警的实现
（一）代码实现
（二）结果分析
第八章 结论
一、研究成果
（一）算法改进成果
（二）能耗研究成果
二、有待改进之处
第九章 专题探讨——钢铁企业可持续发展系统的思考
一、钢铁企业可持续发展系统（ISESI）s）的定义
（一）ISESDS的特性
（二）ISESDS的结构分析
（三）ISESDS的功能分析
（四）ISESDS的发展性分析
（五）ISESDS的持续性分析
二、ISESDS评价的内涵和性质
（一）ISESDS评价的概念和内涵
（二）ISESDS评价的性质
（三）可持续发展评价理论与方法
（四）构建ISESDS评价指标体系的原理与方法
三、ISESDS一般指标体系的层次结构
（一）层次结构模型
（二）ISESDS功能集的含义
（三）功能集的概念模型
四、ISESDS功能集指标体系的构建
五、建立ISESDS综合评价模型
（一）ISESDS综合评价过程分析
（二）ISESDS的评价方法
参考文献