基于决策树的煅烧工艺参数的研究与分析
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 课题背景 | 第10-11页 |
| 1.2 研究内容 | 第11-12页 |
| 1.3 论文所开展的工作 | 第12-13页 |
| 1.4 论文的组织结构 | 第13-15页 |
| 第二章 基础理论 | 第15-24页 |
| 2.1 煅烧过程的生产工艺 | 第15-19页 |
| 2.1.1 煅烧过程生产流程 | 第15-16页 |
| 2.1.2 煅烧过程背景介绍 | 第16-17页 |
| 2.1.3 回转窑的主要工艺参数 | 第17-18页 |
| 2.1.4 回转窑工艺数据的特点 | 第18-19页 |
| 2.2 数据挖掘与机器学习 | 第19-21页 |
| 2.2.1 数据挖掘与机器学习的研究背景 | 第19-20页 |
| 2.2.2 数据挖掘的工作内容 | 第20-21页 |
| 2.3 数据挖掘的流程 | 第21-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第三章 决策树算法 | 第24-32页 |
| 3.1 决策树算法的概念 | 第24-25页 |
| 3.1.1 决策树的简介 | 第24页 |
| 3.1.2 算法对数据的学习 | 第24-25页 |
| 3.2 构建决策树模型 | 第25-27页 |
| 3.2.1 决策树算法的学习过程 | 第25-26页 |
| 3.2.2 决策树模型的图示 | 第26-27页 |
| 3.3 决策树算法的主要研究 | 第27-30页 |
| 3.3.1 分裂属性的选择度量 | 第27-28页 |
| 3.3.2 分类算法 | 第28-29页 |
| 3.3.3 回归算法 | 第29页 |
| 3.3.4 集成学习 | 第29-30页 |
| 3.4 构建决策树算法的异同 | 第30-31页 |
| 3.5 本章小结 | 第31-32页 |
| 第四章 工艺数据预测与评估 | 第32-40页 |
| 4.1 基于Scikit-Learn构建学习器 | 第32-34页 |
| 4.1.1 决策树学习器的构建 | 第32-33页 |
| 4.1.2 决策树学习器的预测 | 第33-34页 |
| 4.1.3 分裂属性度量问题 | 第34页 |
| 4.2 随机森林的算法优化 | 第34-36页 |
| 4.2.1 随机森林的优化分析 | 第34-35页 |
| 4.2.2 基于工艺参数与理化指标的优化模型 | 第35-36页 |
| 4.3 工艺数据的模型学习 | 第36-38页 |
| 4.4 试验结果与结果评估 | 第38-39页 |
| 4.5 本章小结 | 第39-40页 |
| 第五章 工艺参数决策树智能分析系统 | 第40-56页 |
| 5.1 系统需求分析 | 第40-41页 |
| 5.2 系统结构与功能模块 | 第41-44页 |
| 5.3 数据采集及数据库设计 | 第44-48页 |
| 5.3.1 数据采集 | 第44-46页 |
| 5.3.2 数据库设计 | 第46-48页 |
| 5.4 试验数据的预处理 | 第48-51页 |
| 5.4.1 异常点检测 | 第48-50页 |
| 5.4.2 缺失值处理 | 第50-51页 |
| 5.5 数据可视化 | 第51-52页 |
| 5.6 模型预测功能 | 第52-54页 |
| 5.6.1 模型回归功能 | 第53页 |
| 5.6.2 模型算法评估 | 第53-54页 |
| 5.7 本章小结 | 第54-56页 |
| 第六章 总结与展望 | 第56-57页 |
| 6.1 主要总结 | 第56页 |
| 6.2 研究展望 | 第56-57页 |
| 参考文献 | 第57-59页 |
| 在学期间的研究成果 | 第59-60页 |
| 致谢 | 第60页 |
