《我國城鎮化進程與鋼鐵企業能耗趨勢研究》借助BP（Back Propa-gation）神經網絡和Adai300st框架算法的預測功能作為技術支持，利用Matlab矩陣實驗室軟件強大的編程計算功能和簡單、易操作的神經網絡工具箱作為操作平臺，采集2005-2014年大型鋼鐵企業的噸鋼綜合能耗數據作為研究對像，預測了15家大型企業2018—2023年的能耗，實現了根據預測結果進行相對警級劃分並針對不同警級給出相應整改建議的目的。
《我國城鎮化進程與鋼鐵企業能耗趨勢研究》主要從節能減排的意義、預警的重要作用、粗鋼產量的預測、BP神經網絡的基本工作原理、AdaL）oost算法的基本思想、本案例的實驗數據處理、BP算法弱預測器的參數改進、Adaboost算法的強預測功能實現、預警繫統的技術實現、預警結果分析及試驗中的不足總結和未來可改進空間等幾個方面進行了討論。

• 
• 
• 
• 

引言

第一章 研究的背景與意義
一、節能減排是國家的發展戰略
二、能耗預警是實現節能減排的重要手段
三、人工神經網絡是進行能耗預警的有效方法
四、Boosting框架是提升語塞算法精確度的有力途徑

第二章 文獻綜述
一、與可持續發展相關的理論綜述
（一）增長的極限理論
（二）生態控制論
（三）循環經濟理論
（四）三種生產理論
二、企業可持續發展研究文獻綜述
（一）企業可持續發展的內涵研究
（二）企業可持續發展的影響因素
（三）企業可持續發展的實現途徑
（四）企業可持續發展評價研究
三、鋼鐵能耗研究綜述
（一）能耗研究
（二）鋼鐵行業可持續發展
四、預警方法
（一）能耗總量預警
（二）主要節能因素預警
（三）生產物流預警

第三章 我國鋼鐵產量預測
一、繫統分析
（一）鋼鐵消費與城鎮化水平關繫分析
（二）繫統因果關繫
二、繫統動力學建模與仿真
（一）繫統參數確定
（二）模型構建
三、情景分析
（一）分情景預測
（二）情景分析結果討論
（三）小結

第四章 神經網絡與Adaboost簡介
一、神經網絡介紹
（一）BP神經網絡的基本結構
（二）BP神經網絡的學習規則
（三）BP神經網絡的改進算法
二、Adaboost算法簡介
（一）基本思想
（二）迭代步驟
（三）應用領域

第五章 BP_Adaboost算法
一、基本思想
（一）BP神經網絡的建立與訓練
（二）Adaboost框架下的強預測器
（三）預警警級的劃分
二、算法步驟
三、本書中的應用

第六章 基於BP神經網絡的弱預測器
一、BP算法的改進
（一）樣本數據的處理
（二）訓練函數的選取
（三）改進算法的參數確定
二、模型建立與算法實現
（一）BP神經網絡的建立與訓練
（二）BP神經網絡的仿真與預測
三、BP神經網絡的不足

第七章 基於Adaboost算法的強分類器
一、強預測算法的實現
（一）框架算法的代碼實現
（二）結果分析
二、能耗預警的實現
（一）代碼實現
（二）結果分析

第八章 結論
一、研究成果
（一）算法改進成果
（二）能耗研究成果
二、有待改進之處

第九章 專題探討——鋼鐵企業可持續發展繫統的思考
一、鋼鐵企業可持續發展繫統（ISESI）s）的定義
（一）ISESDS的特性
（二）ISESDS的結構分析
（三）ISESDS的功能分析
（四）ISESDS的發展性分析
（五）ISESDS的持續性分析
二、ISESDS評價的內涵和性質
（一）ISESDS評價的概念和內涵
（二）ISESDS評價的性質
（三）可持續發展評價理論與方法
（四）構建ISESDS評價指標體繫的原理與方法
三、ISESDS一般指標體繫的層次結構
（一）層次結構模型
（二）ISESDS功能集的含義
（三）功能集的概念模型
四、ISESDS功能集指標體繫的構建
五、建立ISESDS綜合評價模型
（一）ISESDS綜合評價過程分析
（二）ISESDS的評價方法
參考文獻

節能減排是近年來很受關注的熱點問題，也是鋼鐵企業等重工業企業發展過程中需要關注的重點。本書借助BP（Back Propa-gation）神經網絡和Adaboost框架算法的預測功能作為技術支持，利用Matlab矩陣實驗室軟件強大的編程計算功能和簡單、易操作的神經網絡工具箱作為操作平臺，采集2005 - 2014年大型鋼鐵企業的噸鋼綜合能耗數據作為研究對像，預測了15家大型企業2018-2023年的能耗，實現了根據預測結果進行相對警級劃分並針對不同警級給出相應整改建議的目的。
本書主要從節能減排的意義、預警的重要作用、粗鋼產量的預測、BP神經網絡的基本工作原理、Adaboost算法的基本思想、本案例的實驗數據處理、BP算法弱預測器的參數改進、Adaboost算法的強預測功能實現、預警繫統的技術實現、預警結果分析及試驗中的不足總結和未來可改進空間等幾個方面進行了討論。
實驗結果顯示以下內容。
第一，所有企業的能耗水平，總的趨勢是逐年下降的，由2018 -2023年平均能耗水平逐年降低，2023年將降至一個較低的水平。
第二，能耗較高的企業與能耗較低的企業有較大的差距，表現為折線的尖峰和低谷的極差較大，這可能是技術、設備、規模等多方面的原因。
第三，隨著時間的推移，各企業之間的差距在逐漸縮小，趨近一致，波動幅度每一年都比上一年更小，趨向更平緩。
第四，能耗水平下降的速率在逐年降低。也就是說“十二五”初期鋼鐵能耗下降的空間較大，後期隨著時間的推移下降空間逐漸減小。
本書討論的算法和實證研究都取得了成功，但是實驗的主要不足之處在於數據量較小，隻有15家企業的有效數據；神經網絡隨機性較大，可靠性不足；算法對外界變量不夠敏感，不能囊括諸如自然天氣變化、國際形勢變動、技術更新換代等因素。
本書由胡睿和邵球軍合著。書中正文部分（引言至第八章）作者為胡睿，專題探討部分（第九章）作者為邵球軍。