摘要 | 第3-5页 |
ABSTRACT | 第5-7页 |
第1章 绪论 | 第14-22页 |
1.1 课题研究背景及意义 | 第14-15页 |
1.2 湿式球磨机负荷参数软测量现状和发展趋势 | 第15-17页 |
1.3 迁移学习研究现状 | 第17-19页 |
1.4 本文主要研究内容及章节安排 | 第19-22页 |
第2章 湿式磨机研磨机理及相关理论基础 | 第22-42页 |
2.1 引言 | 第22页 |
2.2 湿式球磨机的研磨机理负荷描述 | 第22-26页 |
2.2.1 湿式球磨机磨矿原理 | 第22-24页 |
2.2.2 湿式球磨机负荷描述 | 第24-25页 |
2.2.3 磨机振动信号反应负荷机理 | 第25-26页 |
2.3 湿式球磨机的试验数据采集 | 第26-32页 |
2.3.1 数据采集平台 | 第26页 |
2.3.2 试验数据采集方案 | 第26-28页 |
2.3.3 数据预处理及分析 | 第28-32页 |
2.4 软测量理论与技术概述 | 第32-35页 |
2.5 迁移学习 | 第35-40页 |
2.5.1 迁移学习介绍 | 第35-36页 |
2.5.2 迁移学习分类 | 第36-37页 |
2.5.3 迁移学习典型方法 | 第37-40页 |
2.6 本章小结 | 第40-42页 |
第3章 多任务及多源域迁移学习在磨机负荷参数预测中的应用 | 第42-62页 |
3.1 引言 | 第42页 |
3.2 联合分布适配 | 第42-44页 |
3.2.1 特征变换 | 第42-43页 |
3.2.2 边缘分布匹配 | 第43页 |
3.2.3 条件分布匹配 | 第43-44页 |
3.2.4 最优化问题 | 第44页 |
3.3 多任务迁移学习方法 | 第44-48页 |
3.3.1 多任务学习概述 | 第45-46页 |
3.3.2 多任务迁移学习方法 | 第46-48页 |
3.4 多源域迁移学习方法 | 第48-50页 |
3.4.1 最大均值差异概述 | 第48-49页 |
3.4.2 多源域迁移学习方法 | 第49-50页 |
3.5 试验结果与分析 | 第50-61页 |
3.5.1 软测量流程及评价标准 | 第50-51页 |
3.5.2 一般软测量方法计算结果 | 第51-55页 |
3.5.3 JDA-MTLSSVM试验结果 | 第55-57页 |
3.5.4 MMD-JDA试验结果 | 第57-59页 |
3.5.5 结果分析 | 第59-61页 |
3.6 本章小结 | 第61-62页 |
第4章 基于域适应标签映射的磨机负荷参数软测量 | 第62-74页 |
4.1 引言 | 第62页 |
4.2 相关理论基础 | 第62-66页 |
4.2.1 联合最大均值差异 | 第62-63页 |
4.2.2 自编码深度神经网络 | 第63-66页 |
4.3 模型结构 | 第66-67页 |
4.4 试验结果与分析 | 第67-72页 |
4.5 本章小结 | 第72-74页 |
第5章 基于流形正则化域适应极限学习机的磨机负荷参数软测量 | 第74-88页 |
5.1 引言 | 第74页 |
5.2 DAMRELM模型 | 第74-80页 |
5.2.1 ELM模型结构 | 第74-76页 |
5.2.2 DAELM模型结构 | 第76-77页 |
5.2.3 流形正则化 | 第77-78页 |
5.2.4 DAMRELM模型结构 | 第78-80页 |
5.3 实验结果与分析 | 第80-86页 |
5.4 本章小结 | 第86-88页 |
第6章 基于spark的并行DAELM的磨机负荷参数软测量 | 第88-100页 |
6.1 引言 | 第88页 |
6.2 Spark系统简介 | 第88-91页 |
6.2.1 分布式文件系统 | 第89页 |
6.2.2 弹性分布式数据集 | 第89-90页 |
6.2.3 Spark程序执行流程 | 第90-91页 |
6.3 DAELM并行化研究(D-DAELM) | 第91-94页 |
6.3.1 算法回顾 | 第91-92页 |
6.3.2 并行化策略 | 第92页 |
6.3.3 并行算法实现 | 第92-94页 |
6.4 模型性能评估 | 第94-98页 |
6.5 本章小结 | 第98-100页 |
第7章 总结与展望 | 第100-102页 |
参考文献 | 第102-108页 |
致谢 | 第108-110页 |
攻读学位期间发表的学术论文目录 | 第110页 |