基于迁移学习的磨矿分级过程故障监测方法研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-24页 |
| 1.1 课题背景与研究意义 | 第10-11页 |
| 1.2 过程监测方法综述 | 第11-13页 |
| 1.3 基于数据驱动的过程监测方法研究进展 | 第13-16页 |
| 1.3.1 基于统计分析的过程监测方法 | 第13-15页 |
| 1.3.2 基于机器学习的过程监测方法 | 第15-16页 |
| 1.4 迁移学习研究背景与意义 | 第16-18页 |
| 1.5 迁移学习研究现状 | 第18-22页 |
| 1.5.1 实例迁移 | 第19-20页 |
| 1.5.2 特征迁移 | 第20-21页 |
| 1.5.3 参数迁移 | 第21页 |
| 1.5.4 关联知识迁移 | 第21-22页 |
| 1.6 本文主要工作及安排 | 第22-24页 |
| 第2章 磨矿分级过程及相关基础知识 | 第24-36页 |
| 2.1 磨矿分级过程 | 第24-26页 |
| 2.2 迁移学习方法 | 第26-29页 |
| 2.2.1 迁移领域与学习任务 | 第27-28页 |
| 2.2.2 迁移学习定义 | 第28页 |
| 2.2.3 迁移学习分类 | 第28-29页 |
| 2.3 非负矩阵分解方法 | 第29-31页 |
| 2.4 相似性度量及加权图构建方法 | 第31-34页 |
| 2.4.1 样本相似性度量 | 第31-32页 |
| 2.4.2 过程相似性定义 | 第32-33页 |
| 2.4.3 加权图构建方法 | 第33-34页 |
| 2.5 本章小结 | 第34-36页 |
| 第3章 基于特征迁移学习的过程监测方法 | 第36-58页 |
| 3.1 特征迁移学习模型 | 第37-43页 |
| 3.1.1 问题描述及目标函数 | 第37-38页 |
| 3.1.2 联合最优化框架 | 第38-42页 |
| 3.1.3 模型求解 | 第42-43页 |
| 3.2 特征迁移学习方法应用及故障监测流程 | 第43-44页 |
| 3.3 仿真实验分析 | 第44-56页 |
| 3.4 本章小结 | 第56-58页 |
| 第4章 基于鲁棒性迁移学习的过程监测方法 | 第58-68页 |
| 4.1 鲁棒性迁移学习模型 | 第58-61页 |
| 4.1.1 问题描述及目标函数 | 第58-60页 |
| 4.1.2 最优化框架求解 | 第60-61页 |
| 4.2 鲁棒性迁移学习方法应用及故障监测流程 | 第61-62页 |
| 4.3 仿真实验分析 | 第62-66页 |
| 4.4 本章小结 | 第66-68页 |
| 第5章 总结与展望 | 第68-70页 |
| 参考文献 | 第70-74页 |
| 致谢 | 第74页 |
