| 摘要 | 第1-6页 |
| ABSTRACT | 第6-12页 |
| 第1章 绪论 | 第12-21页 |
| ·引言 | 第12-13页 |
| ·薄膜蒸发器概述 | 第13-16页 |
| ·薄膜蒸发器基本结构及工作原理 | 第13-14页 |
| ·薄膜蒸发器的性能特点及应用范围 | 第14-15页 |
| ·蒸发机理的研究 | 第15-16页 |
| ·知识发现与数据挖掘 | 第16-19页 |
| ·数据库知识发现的过程 | 第17-18页 |
| ·国内外研究现状 | 第18页 |
| ·粗糙集的知识发现 | 第18-19页 |
| ·本文研究的立论依据和主要内容 | 第19-21页 |
| 第2章 文献综述 | 第21-38页 |
| ·薄膜蒸发器的过程参数 | 第21-23页 |
| ·进料温度 | 第21页 |
| ·进料量 | 第21页 |
| ·传热温差 | 第21-22页 |
| ·真空度 | 第22页 |
| ·刮板转速 | 第22页 |
| ·过程参数的研究动态 | 第22-23页 |
| ·粗糙集理论基础 | 第23-32页 |
| ·信息表知识表达系统 | 第23-25页 |
| ·粗糙集的基本概念 | 第25-26页 |
| ·粗糙度与分类质量 | 第26-27页 |
| ·可辨识矩阵 | 第27-28页 |
| ·属性重要性 | 第28-29页 |
| ·知识约简 | 第29-30页 |
| ·决策规则 | 第30-31页 |
| ·决策规则的不确定性表示与处理 | 第31-32页 |
| ·粗糙集理论在国内外的发展动态 | 第32-33页 |
| ·粗糙集理论的应用 | 第33-36页 |
| ·人工神经网络训练样本简化集 | 第33-34页 |
| ·控制算法获取 | 第34页 |
| ·决策支持系统 | 第34页 |
| ·从数据库中知识发现 | 第34-35页 |
| ·粗糙集理论与相关学科的关系 | 第35-36页 |
| ·粗糙集与神经网络集成 | 第36-37页 |
| ·本章小结 | 第37-38页 |
| 第3章 薄膜蒸发过程试验系统以及数据采集 | 第38-47页 |
| ·试验系统 | 第38-41页 |
| ·薄膜蒸发器 | 第38-39页 |
| ·真空泵 | 第39页 |
| ·电加热油炉 | 第39-40页 |
| ·冷凝器 | 第40页 |
| ·存储设备 | 第40-41页 |
| ·数据采集系统 | 第41-46页 |
| ·温度测量 | 第43-44页 |
| ·压力测量 | 第44-45页 |
| ·流量测量 | 第45页 |
| ·转速测量 | 第45-46页 |
| ·本章小结 | 第46-47页 |
| 第4章 数据的处理及信息系统的建立 | 第47-54页 |
| ·引言 | 第47-48页 |
| ·可控制参数数据的处理 | 第48-49页 |
| ·测量参数数据的处理 | 第49-50页 |
| ·时间函数参数数据的处理 | 第50-51页 |
| ·信息系统的生成 | 第51-53页 |
| ·属性的选择和属性值的归纳统计 | 第51-52页 |
| ·多决策表的处理 | 第52-53页 |
| ·本章小结 | 第53-54页 |
| 第5章 薄膜蒸发过程的粗糙集模型计算 | 第54-64页 |
| ·引言 | 第54页 |
| ·数据集的选取 | 第54-55页 |
| ·数据预处理 | 第55-57页 |
| ·连续数据离散化 | 第55-56页 |
| ·决策属性的变换 | 第56-57页 |
| ·决策表的粗糙集模型 | 第57-63页 |
| ·决策表的等价类 | 第57-59页 |
| ·等价类之间的最小包含(下近似)和最大包含(上近似) | 第59-62页 |
| ·属性的重要性计算 | 第62-63页 |
| ·结果的解释评估 | 第63页 |
| ·本章小结 | 第63-64页 |
| 第6章 基于ROSETTA的薄膜蒸发系统知识发现 | 第64-70页 |
| ·引言 | 第64-65页 |
| ·数据准备——薄膜蒸发器产量预测信息系统模型的建立 | 第65-66页 |
| ·数据分析 | 第66-68页 |
| ·数据分组 | 第66页 |
| ·数据离散 | 第66-67页 |
| ·属性的约简与规则生成 | 第67页 |
| ·预测结果 | 第67-68页 |
| ·结果的解释评估 | 第68-69页 |
| ·条件属性的重要程度 | 第68-69页 |
| ·预测结果的分析 | 第69页 |
| ·结论 | 第69-70页 |
| 第7章 基于MATLAB的薄膜蒸发系统粗糙集神经网络方法 | 第70-80页 |
| ·引言 | 第70-71页 |
| ·数据模型的选取 | 第71页 |
| ·用RSDAV对属性进行约简 | 第71-73页 |
| ·数据预处理 | 第72-73页 |
| ·约简结果及其分析 | 第73页 |
| ·用BP神经网络进行模式识别 | 第73-78页 |
| ·样本数据的定义与预处理 | 第73页 |
| ·对训练样本、验证样本和测试样本进行划分 | 第73-74页 |
| ·网络生成与训练 | 第74-75页 |
| ·网络仿真 | 第75-78页 |
| ·约简前后神经网络处理结果的对比 | 第78-80页 |
| 第8章 总结和展望 | 第80-82页 |
| ·工作总结 | 第80页 |
| ·研究展望 | 第80-82页 |
| 参考文献 | 第82-88页 |
| 附录1 | 第88-90页 |
| 附录2 | 第90-92页 |
| 硕士期间成果 | 第92-93页 |
| 致谢 | 第93页 |
