基于混合高斯—朴素贝叶斯的高炉炉况判别系统
| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 1 绪论 | 第12-22页 |
| 1.1 研究背景及意义 | 第12-14页 |
| 1.1.1 工业大数据的飞速发展及主要问题 | 第12-13页 |
| 1.1.2 高炉炉况稳定性判别 | 第13-14页 |
| 1.2 相关研究及研究现状 | 第14-20页 |
| 1.2.1 基于机理的数学模型 | 第14-15页 |
| 1.2.2 数据驱动的高炉建模方法 | 第15-16页 |
| 1.2.3 分类算法的研究及应用 | 第16-18页 |
| 1.2.4 炉况智能判别系统与可视化技术 | 第18-20页 |
| 1.3 本章工作和章节安排 | 第20-21页 |
| 1.4 本章小结 | 第21-22页 |
| 2 高炉数据集预处理和相关性分析 | 第22-34页 |
| 2.1 数据集简介 | 第22-24页 |
| 2.1.1 炉况参数数据 | 第22-23页 |
| 2.1.2 经济指标数据 | 第23-24页 |
| 2.1.3 现场工况记录 | 第24页 |
| 2.2 数据预处理 | 第24-28页 |
| 2.2.1 异常值处理 | 第24-25页 |
| 2.2.2 缺失值处理 | 第25-27页 |
| 2.2.3 统一时间尺度 | 第27-28页 |
| 2.2.4 数据标准化 | 第28页 |
| 2.3 关联性分析与特征选择 | 第28-33页 |
| 2.3.1 炉况平稳性对经济指标的影响 | 第29-30页 |
| 2.3.2 炉况参数与运行平稳性之间的关联性 | 第30-31页 |
| 2.3.3 特征选择 | 第31-33页 |
| 2.4 本章小结 | 第33-34页 |
| 3 基于混合高斯-朴素贝叶斯的炉况判别模型 | 第34-50页 |
| 3.1 问题描述与分析 | 第34-36页 |
| 3.1.1 问题描述 | 第34页 |
| 3.1.2 问题分析与模型选取 | 第34-35页 |
| 3.1.3 数据集设置 | 第35-36页 |
| 3.2 模型框架 | 第36-41页 |
| 3.2.1 框架概述 | 第36-37页 |
| 3.2.2 混合高斯模型 | 第37-38页 |
| 3.2.3 参数估计 | 第38-40页 |
| 3.2.4 投票机制 | 第40-41页 |
| 3.2.5 朴素贝叶斯分类器 | 第41页 |
| 3.3 模型性能评估 | 第41-49页 |
| 3.3.1 假设检验 | 第42-43页 |
| 3.3.2 检验指标 | 第43-45页 |
| 3.3.3 对比模型 | 第45-46页 |
| 3.3.4 实验结果 | 第46-49页 |
| 3.4 本章小结 | 第49-50页 |
| 4 高炉炉况智能判别系统的设计与实现 | 第50-64页 |
| 4.1 智能判别系统技术简介 | 第50-51页 |
| 4.2 可视化工具简介 | 第51页 |
| 4.3 炉况智能判别系统架构 | 第51-52页 |
| 4.4 重点模块设计说明 | 第52-54页 |
| 4.4.1 前端模块介绍 | 第53页 |
| 4.4.2 后端模块介绍 | 第53-54页 |
| 4.5 系统展示 | 第54-61页 |
| 4.5.1 系统首页 | 第55页 |
| 4.5.2 数据分析模块 | 第55-57页 |
| 4.5.3 模型训练模块 | 第57-61页 |
| 4.5.4 实时监测模块 | 第61页 |
| 4.6 本章小结 | 第61-64页 |
| 5 总结与展望 | 第64-68页 |
| 5.1 本文工作总结 | 第64-65页 |
| 5.2 研究工作展望 | 第65-68页 |
| 参考文献 | 第68-71页 |
