基于在线学习集成随机权网络的选矿精矿产量预报
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第1章 绪论 | 第12-20页 |
| 1.1 研究背景与意义 | 第12-13页 |
| 1.2 选矿全流程综合生产指标预报研究现状 | 第13-16页 |
| 1.2.1 选矿全流程综合生产指标预报必要性 | 第13-14页 |
| 1.2.2 选矿全流程综合生产指标预报现状 | 第14-16页 |
| 1.3 基于神经网络在线建模方法及研究现状 | 第16-18页 |
| 1.3.1 神经网络在线建模方法 | 第16-17页 |
| 1.3.2 集成神经网络在线建模方法 | 第17-18页 |
| 1.4 存在的问题和本文主要工作 | 第18-20页 |
| 第2章 选矿全流程精矿产量预报问题描述 | 第20-26页 |
| 2.1 选矿全流程生产过程介绍 | 第20-21页 |
| 2.2 选矿全流程精矿产量预报问题描述 | 第21-24页 |
| 2.2.1 选矿术语和指标 | 第21页 |
| 2.2.2 选矿过程的生产指标分类 | 第21-23页 |
| 2.2.3 综合生产指标与工艺指标关系的定性分析 | 第23页 |
| 2.2.4 精矿产量预报问题描述 | 第23-24页 |
| 2.3 选矿过程全流程精矿产量预报的难点分析 | 第24-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第3章 集成随机权在线学习算法 | 第26-56页 |
| 3.1 引言 | 第26-31页 |
| 3.1.1 单隐含层前馈神经网络 | 第26-27页 |
| 3.1.2 随机权神经网络 | 第27-29页 |
| 3.1.3 基于负相关的集成随机权神经网络 | 第29-31页 |
| 3.2 集成随机权神经网络最优参数 | 第31-34页 |
| 3.2.1 个体模型的最佳组合 | 第31-34页 |
| 3.2.2 参数隐含层结点数L和惩罚项系数入 | 第34页 |
| 3.3 集成随机权神经网络在线学习方法 | 第34-39页 |
| 3.3.1 学习算法的在线形式及公式推导 | 第35-37页 |
| 3.3.2 算法步骤及流程图 | 第37-39页 |
| 3.4 标准测试问题实验研究 | 第39-53页 |
| 3.4.1 测试数据集 | 第39页 |
| 3.4.2 参数设置 | 第39-41页 |
| 3.4.3 评价指标 | 第41页 |
| 3.4.4 实验设计 | 第41-43页 |
| 3.4.5 仿真结果及分析 | 第43-53页 |
| 3.5 本章小结 | 第53-56页 |
| 第4章 基于集成随机权在线学习算法的精矿产量预报 | 第56-68页 |
| 4.1 引言 | 第56页 |
| 4.2 选矿精矿产量预报模型的分析与建立 | 第56-60页 |
| 4.2.1 集成建模策略及参数选择 | 第56-58页 |
| 4.2.2 在线学习算法 | 第58-60页 |
| 4.2.3 模型输入输出描述 | 第60页 |
| 4.3 选矿精矿产量预报模型工作流程 | 第60-63页 |
| 4.4 精矿产量预报实例试验 | 第63-66页 |
| 4.4.1 试验数据 | 第63-64页 |
| 4.4.2 参数设定 | 第64-65页 |
| 4.4.3 评价指标 | 第65页 |
| 4.4.4 实验结果及其分析 | 第65-66页 |
| 4.5 本章小结 | 第66-68页 |
| 第5章 结论与展望 | 第68-70页 |
| 5.1 结论 | 第68-69页 |
| 5.2 展望 | 第69-70页 |
| 参考文献 | 第70-74页 |
| 致谢 | 第74-76页 |
| 攻读硕士期间的科研工作和发表论文 | 第76页 |
