| 摘要 | 第5-7页 |
| Abstract | 第7-9页 |
| 第1章 绪论 | 第12-28页 |
| 1.1 选题的背景及意义 | 第12-14页 |
| 1.2 选矿工艺流程描述及精矿产量和工艺指标的特性分析 | 第14-17页 |
| 1.2.1 选矿工艺流程描述 | 第14-15页 |
| 1.2.2 选矿工艺指标及精矿产量和它们之间的特性分析 | 第15-17页 |
| 1.3 基于支持向量机的建模以及精矿产量预报存在的问题 | 第17-20页 |
| 1.3.1 支持向量机建模存在的问题 | 第17-18页 |
| 1.3.2 全流程生产指标预报的现状及存在的问题 | 第18-20页 |
| 1.4 几种预报方法相关技术的研究现状 | 第20-26页 |
| 1.4.1 数据驱动建模方法 | 第20-21页 |
| 1.4.2 参数优化和特征选择方法 | 第21-25页 |
| 1.4.3 多模型方法 | 第25-26页 |
| 1.5 本文的主要工作 | 第26-28页 |
| 第2章 自适应混沌粒子群优化算法及其在SVM建模中的应用 | 第28-44页 |
| 2.1 SVM简介及其存在的问题 | 第28-35页 |
| 2.1.1 机器学习和统计学习理论概述 | 第28-31页 |
| 2.1.2 SVM分类与回归 | 第31-34页 |
| 2.1.3 SVM建模存在的问题 | 第34-35页 |
| 2.2 自适应混沌粒子群优化算法及应用 | 第35-41页 |
| 2.2.1 自适应混沌粒子群优化算法 | 第36-39页 |
| 2.2.2 基于自适应混沌粒子群优化算法的SVM建模方法 | 第39-41页 |
| 2.3 仿真实验 | 第41-42页 |
| 2.4 本章小结 | 第42-44页 |
| 第3章 基于LS-SVM和自适应混沌粒子群优化算法的精矿产量预报 | 第44-52页 |
| 3.1 精矿产量预报问题描述 | 第44-45页 |
| 3.2 基于LS-SVM和自适应混沌粒子群优化算法的精矿产量预报模型 | 第45-48页 |
| 3.2.1 模型架构 | 第45-46页 |
| 3.2.2 模型算法 | 第46-48页 |
| 3.3 仿真实验 | 第48-50页 |
| 3.3.1 模型的参数设置 | 第48页 |
| 3.3.2 仿真结果 | 第48-50页 |
| 3.4 本章小结 | 第50-52页 |
| 第4章 基于多模型的精矿产量预报 | 第52-66页 |
| 4.1 精矿产量预报问题描述 | 第52页 |
| 4.2 基于多模型的精矿产量预报 | 第52-59页 |
| 4.2.1 精矿产量预报多模型方法的总体架构 | 第52-53页 |
| 4.2.2 多模型方法的实现 | 第53-59页 |
| 4.3 仿真实验 | 第59-65页 |
| 4.3.1 模型参数设置 | 第59页 |
| 4.3.2 仿真结果 | 第59-65页 |
| 4.4 两种建模方法的比较 | 第65页 |
| 4.5 本章小结 | 第65-66页 |
| 第5章 结论与展望 | 第66-68页 |
| 参考文献 | 第68-76页 |
| 致谢 | 第76-78页 |
| 硕士期间的主要工作 | 第78页 |
