中文摘要 | 第1-4页 |
英文摘要 | 第4-9页 |
1 绪论 | 第9-15页 |
·课题的研究背景和意义 | 第9-10页 |
·铝电解国内外发展与研究现状况 | 第10-12页 |
·国内外铝电解效率状况 | 第10页 |
·国内外铝电解技术现状况 | 第10-12页 |
·本文研究的目的和内容 | 第12-13页 |
·本文研究的目的 | 第12页 |
·本文研究的主要内容与预期目标 | 第12-13页 |
·论文组织结构 | 第13-15页 |
2 铝电解控制问题 | 第15-21页 |
·电解槽生产控制问题描述 | 第15-16页 |
·铝电解控制系统存在的问题 | 第16-18页 |
·数据问题 | 第16-17页 |
·算法问题 | 第17-18页 |
·铝电解控制的现有计算机应用技术 | 第18-19页 |
·各技术及其优越性 | 第18-19页 |
·各技术的不足 | 第19页 |
·本文解决思路 | 第19-20页 |
·本章小结 | 第20-21页 |
3 神经网络及遗传算法 | 第21-31页 |
·神经网络的基本概念 | 第21-22页 |
·神经网络的结构 | 第21-22页 |
·神经网络的学习 | 第22页 |
·BP 神经网络 | 第22-26页 |
·BP 神经网络的结构 | 第22-23页 |
·BP 神经网络的学习过程 | 第23-24页 |
·参数的选择 | 第24-25页 |
·BP 神经网络优缺点 | 第25-26页 |
·遗传算法 | 第26-29页 |
·基本概念及运算过程 | 第26-27页 |
·编码设计 | 第27-28页 |
·初始种群建立 | 第28页 |
·适应度函数 | 第28页 |
·遗传算子设计 | 第28-29页 |
·神经网络和遗传算法的结合 | 第29-30页 |
·本章小结 | 第30-31页 |
4 基于遗传神经网络的槽电阻预测模型的设计 | 第31-51页 |
·引言 | 第31-32页 |
·数据流趋势分析 | 第32-38页 |
·数据流问题描述 | 第32-33页 |
·传统趋势分析方法 | 第33页 |
·改进后的可变滑动窗口趋势分析算法 | 第33-35页 |
·实验效果 | 第35-38页 |
·基于趋势分析、遗传神经网络的槽电阻预测 | 第38-49页 |
·时间序列 | 第38-39页 |
·时间序列预测方法 | 第39-40页 |
·槽电阻时序分析 | 第40-41页 |
·遗传神经网络预测模型的设计 | 第41-44页 |
·实验 | 第44-49页 |
·本章小结 | 第49-51页 |
5 氧化铝浓度判断关联规则库的设计 | 第51-69页 |
·氧化铝浓度问题及槽电阻与其关系 | 第51-54页 |
·数据仓库技术 | 第54-55页 |
·联机分析处理OLAP | 第55-57页 |
·数据挖掘 | 第57-60页 |
·数据挖掘理论 | 第57页 |
·关联规则 | 第57页 |
·Aporiori 算法 | 第57-58页 |
·从关系数据库和数据仓库到挖掘多维关联规则 | 第58-59页 |
·概念分层及其对数据挖掘的影响 | 第59-60页 |
·氧化铝浓度关联规则库的设计 | 第60-67页 |
·模型整体设计 | 第60-61页 |
·数据处理 | 第61页 |
·基于Aporiori 与OLAP 的关联规则挖掘模型 | 第61-65页 |
·利用Microsoft Visual Studio 进行数据挖掘 | 第65-66页 |
·氧化铝浓度判断规则 | 第66-67页 |
·本章小节 | 第67-69页 |
6 系统实现 | 第69-81页 |
·系统总体设计 | 第69-72页 |
·系统总体架构 | 第69-71页 |
·神经网络预测模型 | 第71页 |
·氧化铝浓度关联规则库 | 第71页 |
·专家系统 | 第71-72页 |
·神经网络控制模型 | 第72-73页 |
·模型描述 | 第72-73页 |
·输入、输出层、控制层确定 | 第73页 |
·控制策略的确定 | 第73-75页 |
·系统开发及运行效果 | 第75-79页 |
·本章小节 | 第79-81页 |
7 总结与展望 | 第81-83页 |
·本文的工作总结 | 第81-82页 |
·后续研究工作的展望 | 第82-83页 |
致谢 | 第83-85页 |
参考文献 | 第85-89页 |
附录 | 第89页 |
A. 作者在攻读学位期间发表的论文目录 | 第89页 |
B. 作者在攻读学位期间取得的科研成果目录 | 第89页 |