摘要 | 第5-7页 |
Abstract | 第7-8页 |
第一章 绪论 | 第13-25页 |
1.1 研究背景及意义 | 第13-16页 |
1.2 浸出过程概述 | 第16-19页 |
1.2.1 湿法冶金工业流程简介 | 第16-17页 |
1.2.2 浸出过程概述 | 第17-19页 |
1.3 浸出过程建模与优化研究发展现状 | 第19-22页 |
1.3.1 浸出过程建模研究现状 | 第19-21页 |
1.3.2 浸出过程优化研究现状 | 第21-22页 |
1.4 本文主要工作 | 第22-25页 |
第二章 浸出过程机理模型 | 第25-39页 |
2.1 矿粒浸出的动力学分析 | 第26-29页 |
2.2 钴矿浸出率机理模型 | 第29-32页 |
2.3 机理模型参数的确定 | 第32-33页 |
2.4 模型验证 | 第33-35页 |
2.5 影响浸出率的因素 | 第35-37页 |
2.6 本章小结 | 第37-39页 |
第三章 基于改进Bagging集成算法的浸出率混合建模 | 第39-65页 |
3.1 预备知识 | 第40-49页 |
3.1.1 集成学习算法简介 | 第40-45页 |
3.1.2 支持向量机算法简介 | 第45-49页 |
3.2 基于IN-Bagging算法的浸出率误差补偿混合模型(INBHM) | 第49-56页 |
3.2.1 负相关学习相关理论 | 第49-52页 |
3.2.2 改进的负相关学习Bagging算法(IN-Bagging) | 第52-53页 |
3.2.3 基于IN-Bagging算法的浸出率误差补偿混合模型(INBHM) | 第53-54页 |
3.2.4 仿真实验及结果分析 | 第54-56页 |
3.3 基于S-Bagging算法的多模型浸出率混合模型(SBMHM) | 第56-63页 |
3.3.1 选择性集成理论 | 第56-58页 |
3.3.2 基于二进制PSO的选择性Bagging算法(S-Bagging) | 第58-59页 |
3.3.3 基于S-Bagging算法的多模型浸出率混合模型(SBMHM) | 第59-61页 |
3.3.4 仿真实验及结果分析 | 第61-63页 |
3.4 本章小结 | 第63-65页 |
第四章 基于粒子群算法的浸出过程多目标优化 | 第65-97页 |
4.1 多目标优化概述 | 第65-74页 |
4.1.1 多目标优化的定义 | 第66-67页 |
4.1.2 Pareto解和Pareto最优前沿 | 第67页 |
4.1.3 多目标进化算法的研究概况 | 第67-71页 |
4.1.4 几种典型的多目标优化进化算法 | 第71-74页 |
4.2 粒子群优化算法综述 | 第74-79页 |
4.2.1 基本粒子群优化算法 | 第74-76页 |
4.2.2 多目标粒子群优化算法 | 第76-79页 |
4.3 基于两阶段领导与交叉变异相结合的多目标粒子群算法 | 第79-90页 |
4.3.1 TSG-MOPSO算法流程 | 第79-80页 |
4.3.2 TSG-MOPSO关键策略 | 第80-85页 |
4.3.3 仿真分析 | 第85-90页 |
4.4 浸出过程的优化设定 | 第90-95页 |
4.4.1 浸出过程多目标优化模型 | 第90-91页 |
4.4.2 优化结果及讨论 | 第91-95页 |
4.5 本章小结 | 第95-97页 |
第五章 浸出过程预测及优化系统 | 第97-113页 |
5.1 系统整体设计 | 第98-100页 |
5.2 软件的总体设计 | 第100-102页 |
5.2.1 C | 第100-101页 |
5.2.2 C | 第101-102页 |
5.2.3 C | 第102页 |
5.3 浸出过程预测及优化系统界面平台设计与实现 | 第102-110页 |
5.3.1 浸出过程界面结构设计 | 第102-103页 |
5.3.2 界面结构及功能设计实现 | 第103-110页 |
5.4 Oracle数据库的设计 | 第110页 |
5.5 MATLAB算法的设计 | 第110-111页 |
5.6 本章小结 | 第111-113页 |
第六章 结论与展望 | 第113-115页 |
6.1 结论 | 第113-114页 |
6.2 展望 | 第114-115页 |
参考文献 | 第115-123页 |
致谢 | 第123-125页 |
攻读博士学位期间论文及获得专利情况 | 第125-127页 |
论文 | 第125页 |
专利 | 第125-127页 |
个人简历 | 第127页 |