铝电解生产指标标杆优化方法研究
| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 课题背景 | 第9-10页 |
| 1.2 研究目的及意义 | 第10页 |
| 1.3 国内外研究现状 | 第10-11页 |
| 1.4 论文研究工作 | 第11-12页 |
| 1.5 论文组织结构 | 第12-13页 |
| 1.6 本章小结 | 第13-14页 |
| 第二章 相关工作研究 | 第14-26页 |
| 2.1 模糊聚类分析 | 第14-17页 |
| 2.1.1 数据标准化 | 第15-16页 |
| 2.1.2 标定相似度 | 第16页 |
| 2.1.3 动态聚类 | 第16页 |
| 2.1.4 确定最佳阈值 | 第16-17页 |
| 2.2 BP神经网络 | 第17-22页 |
| 2.2.1 BP神经网络模型 | 第17-18页 |
| 2.2.2 BP神经网络算法 | 第18-20页 |
| 2.2.3 BP神经网络学习 | 第20-21页 |
| 2.2.4 BP神经网络优化 | 第21-22页 |
| 2.3 粒子群优化算法 | 第22-25页 |
| 2.3.1 粒子群优化算法原理 | 第22-23页 |
| 2.3.2 粒子群优化算法流程 | 第23-25页 |
| 2.3.3 粒子群优化算法局限性 | 第25页 |
| 2.4 本章小结 | 第25-26页 |
| 第三章 基于交叉变异的自适应粒子群优化算法 | 第26-33页 |
| 3.1 粒子群优化算法 | 第26-27页 |
| 3.1.1 群体规模 | 第26页 |
| 3.1.2 惯性权重系数 | 第26页 |
| 3.1.3 加速系数 | 第26-27页 |
| 3.1.4 最大速度 | 第27页 |
| 3.2 基于交叉变异的自适应粒子群优化算法 | 第27-29页 |
| 3.2.1 交叉变异 | 第27-28页 |
| 3.2.2 自适应惯性权重系数 | 第28-29页 |
| 3.3 算法步骤及流程 | 第29-31页 |
| 3.4 算法伪代码 | 第31页 |
| 3.5 算法性能测试 | 第31-32页 |
| 3.6 本章小结 | 第32-33页 |
| 第四章 MAPSO算法在标杆优化中的应用 | 第33-41页 |
| 4.1 影响标杆优化的因素 | 第33页 |
| 4.2 标杆优化模型的建立 | 第33-40页 |
| 4.2.1 数据预处理 | 第33-34页 |
| 4.2.2 基于MAPSO算法的BP神经网络优化 | 第34页 |
| 4.2.3 BP神经网络参数选取 | 第34-36页 |
| 4.2.4 标杆优化实现及结果分析 | 第36-38页 |
| 4.2.5 MAPSO-BP模型 | 第38-40页 |
| 4.3 本章小结 | 第40-41页 |
| 第五章 对标管理系统设计与实现 | 第41-52页 |
| 5.1 需求分析说明 | 第41页 |
| 5.2 软件设计标准 | 第41-42页 |
| 5.3 系统整体架构 | 第42-43页 |
| 5.4 系统功能设计 | 第43-44页 |
| 5.5 系统数据库设计 | 第44-47页 |
| 5.6 系统功能实现 | 第47-51页 |
| 5.6.1 指标信息管理模块 | 第47页 |
| 5.6.2 指标数据管理模块 | 第47-48页 |
| 5.6.3 标杆信息管理模块 | 第48-49页 |
| 5.6.4 对标方案管理模块 | 第49-50页 |
| 5.6.5 对标结果展示模块 | 第50-51页 |
| 5.7 本章小结 | 第51-52页 |
| 第六章 结论与展望 | 第52-54页 |
| 6.1 主要结论 | 第52页 |
| 6.2 研究展望 | 第52-54页 |
| 参考文献 | 第54-57页 |
| 在学期间的研究成果 | 第57-58页 |
| 致谢 | 第58页 |
