| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-19页 |
| 1.1 课题研究背景与意义 | 第10-12页 |
| 1.2 立磨生料粉磨过程研究现状及问题分析 | 第12-16页 |
| 1.2.1 立磨设备的发展现状 | 第12-13页 |
| 1.2.2 立磨生料粉磨过程建模及优化研究现状 | 第13-14页 |
| 1.2.3 立磨生料粉磨过程问题分析 | 第14-16页 |
| 1.3 智能优化设定与案例推理技术的研究现状 | 第16-17页 |
| 1.4 本论文的研究内容与论文结构 | 第17-19页 |
| 第二章 立磨生料粉磨过程建模与优化设定方法原理 | 第19-34页 |
| 2.1 引言 | 第19页 |
| 2.2 小波神经网络 | 第19-28页 |
| 2.2.1 小波分析理论 | 第19-21页 |
| 2.2.2 小波神经网络介绍 | 第21-22页 |
| 2.2.3 小波神经网络结构形式 | 第22-24页 |
| 2.2.4 小波神经网络学习算法 | 第24-28页 |
| 2.3 案例推理技术(CBR)与多目标粒子群优化算法 | 第28-33页 |
| 2.3.1 案例推理方法的原理 | 第28-30页 |
| 2.3.2 多目标优化和粒子群算法 | 第30-33页 |
| 2.4 本章小结 | 第33-34页 |
| 第三章 立磨生料粉磨过程指标预测建模 | 第34-46页 |
| 3.1 引言 | 第34页 |
| 3.2 立磨生料粉磨过程工艺流程 | 第34-37页 |
| 3.3 基于小波神经网络的立磨生料粉磨过程指标预测建模及仿真 | 第37-45页 |
| 3.3.1 模型结构 | 第37页 |
| 3.3.2 数据采集及预处理 | 第37-40页 |
| 3.3.3 基于小波经网络(WNN)的模型建立与仿真 | 第40-43页 |
| 3.3.4 采用BP神经网络的模型仿真与对比 | 第43-45页 |
| 3.5 本章小结 | 第45-46页 |
| 第四章 基于案例推理的立磨生料粉磨过程优化设定方法 | 第46-61页 |
| 4.1 引言 | 第46页 |
| 4.2 基于案例推理技术的粉磨过程优化设定 | 第46-55页 |
| 4.2.1 原始案例数据的优化 | 第47-50页 |
| 4.2.2 案例表示及初始案例库的建立 | 第50页 |
| 4.2.3 案例搜索和匹配 | 第50-51页 |
| 4.2.4 案例重用与专家规则修正 | 第51-52页 |
| 4.2.5 案例存储 | 第52-53页 |
| 4.2.6 仿真结果与分析 | 第53-55页 |
| 4.3 基于案例推理技术的优化设定与监控系统的集成方法 | 第55-60页 |
| 4.3.1 基于案例推理的优化设定在现场的实现方法 | 第55页 |
| 4.3.2 基于LabVIEW的优化设定软件设计 | 第55-60页 |
| 4.4 本章小结 | 第60-61页 |
| 第五章 总结与展望 | 第61-63页 |
| 5.1 主要工作回顾 | 第61-62页 |
| 5.2 存在的问题与进一步的研究方向 | 第62-63页 |
| 参考文献 | 第63-68页 |
| 致谢 | 第68-69页 |
| 攻读硕士学位期间完成的学术论文 | 第69页 |
