| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第12-20页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 选矿过程综合生产指标预报问题研究现状 | 第13-15页 |
| 1.2.1 预报模型变量选择方法 | 第13-14页 |
| 1.2.2 数据驱动的预报模型建模方法 | 第14-15页 |
| 1.3 神经网络建模方法研究现状 | 第15-17页 |
| 1.3.1 神经网络研究现状 | 第15-16页 |
| 1.3.2 集成神经网络研究现状 | 第16-17页 |
| 1.4 存在的问题及本文主要工作 | 第17-19页 |
| 1.5 本章小结 | 第19-20页 |
| 第2章 选矿过程综合生产指标预报问题描述 | 第20-24页 |
| 2.1 选矿工艺过程简介 | 第20-21页 |
| 2.2 选矿生产指标预报问题描述 | 第21-23页 |
| 2.2.1 选矿工艺生产指标概述 | 第21-22页 |
| 2.2.2 综合生产指标和其他相关因素间关系定性分析 | 第22-23页 |
| 2.3 预报模型难点分析 | 第23页 |
| 2.4 本章小结 | 第23-24页 |
| 第3章 基于正则化的负相关集成随机权神经网络在线学习算法 | 第24-44页 |
| 3.1 预备知识 | 第24-27页 |
| 3.1.1 随机权神经网络 | 第24-26页 |
| 3.1.2 集成学习的负相关学习方法 | 第26-27页 |
| 3.2 基于正则化的负相关集成随机权神经网络 | 第27-32页 |
| 3.2.1 正则化负相关集成随机权网络算法 | 第27-29页 |
| 3.2.2 基于遗传算法的激励函数参数优化 | 第29-31页 |
| 3.2.3 基于网格搜索的结构参数优化 | 第31-32页 |
| 3.3 正则化负相关集成神经网络在线学习算法 | 第32-35页 |
| 3.4 标准测试数据研究 | 第35-42页 |
| 3.4.1 标准测试数据集 | 第35-36页 |
| 3.4.2 实验设计 | 第36页 |
| 3.4.3 参数设置 | 第36-37页 |
| 3.4.4 实验结果分析 | 第37-42页 |
| 3.5 本章小结 | 第42-44页 |
| 第4章 基于改进集成随机权神经网络的精矿产量在线预报方法 | 第44-64页 |
| 4.1 概述 | 第44-45页 |
| 4.2 基于最大信息系数的精矿产量预报模型变量选择方法 | 第45-53页 |
| 4.2.1 最大信息系数概述 | 第45-47页 |
| 4.2.2 基于最大信息系数的预报模型输入选择 | 第47-53页 |
| 4.3 基于改进集成随机权网络的精矿产量预报回归器设计 | 第53-55页 |
| 4.3.1 预报模型回归器参数优化 | 第54页 |
| 4.3.2 预报模型回归器的在线策略 | 第54-55页 |
| 4.4 精矿产量预报模型建模流程 | 第55-57页 |
| 4.5 精矿产量预报模型实验研究 | 第57-62页 |
| 4.5.1 实验数据 | 第57页 |
| 4.5.2 实验设计 | 第57页 |
| 4.5.3 参数设置 | 第57-58页 |
| 4.5.4 实验结果分析 | 第58-62页 |
| 4.6 本章小结 | 第62-64页 |
| 第5章 选矿过程综合精矿产量预报模型实验系统设计与开发 | 第64-80页 |
| 5.1 概述 | 第64页 |
| 5.2 实验系统开发技术简介 | 第64-66页 |
| 5.2.1 前端开发 | 第64-65页 |
| 5.2.2 服务器端开发 | 第65-66页 |
| 5.3 实验系统结构与功能设计 | 第66页 |
| 5.4 选矿过程精矿产量预报模型实验系统功能实现 | 第66-74页 |
| 5.4.1 开发环境配置 | 第67页 |
| 5.4.2 前端界面的功能实现 | 第67-71页 |
| 5.4.3 服务器端的功能实现 | 第71-74页 |
| 5.5 选矿过程精矿产量预报模型实验系统实验验证 | 第74-79页 |
| 5.6 本章小结 | 第79-80页 |
| 第6章 总结与展望 | 第80-82页 |
| 参考文献 | 第82-86页 |
| 致谢 | 第86-88页 |
| 硕士期间的主要工作 | 第88页 |
