数据挖掘及在电厂凝汽设备诊断中的应用
| 第一章 绪论 | 第1-16页 |
| 1．1 火电厂热力设备故障诊断研究现状 | 第7-8页 |
| 1．2 数据、信息与知识之间的联系 | 第8-10页 |
| 1．3 数据挖掘技术的发展状况 | 第10-11页 |
| 1．4 数据挖掘技术与故障诊断专家系统的结合 | 第11-14页 |
| 1．4．1 传统故障诊断专家系统 | 第11-12页 |
| 1．4．2 专家系统的知识获取 | 第12-13页 |
| 1．4．3 基于数据挖掘的故障诊断专家系统 | 第13-14页 |
| 1．5 本文选题意义及主要工作内容 | 第14-16页 |
| 第二章 数据挖掘技术 | 第16-29页 |
| 2．1 前言 | 第16-17页 |
| 2．2 数据挖掘的处理过程 | 第17-20页 |
| 2．3 数据挖掘功能 | 第20-21页 |
| 2．4 数据挖掘常用方法 | 第21-25页 |
| 2．4．1 粗糙集理论 | 第22-23页 |
| 2．4．2 神经网络 | 第23页 |
| 2．4．3 关联规则发现的方法 | 第23-24页 |
| 2．4．4 决策树 | 第24-25页 |
| 2．5 数据挖掘在电厂设备故障诊断中的应用前景 | 第25-26页 |
| 2．6 数据挖掘研究和应用所面临的问题 | 第26-28页 |
| 2．7 本章小结 | 第28-29页 |
| 第三章 基于粗糙集方法的凝汽器故障特征提取 | 第29-41页 |
| 3．1 粗糙集方法 | 第29-36页 |
| 3．1．1 粗糙集的基本概念和理论基础 | 第30-33页 |
| 3．1．2 约简与核 | 第33-34页 |
| 3．1．3 求最佳约简集的算法 | 第34-36页 |
| 3．2 基于粗糙集的凝汽器故障特征提取 | 第36-40页 |
| 3．2．1 数据准备与预处理 | 第36-38页 |
| 3．2．2 属性约简和特征提取 | 第38-39页 |
| 3．2．3 结果评价 | 第39-40页 |
| 3．3 本章小结 | 第40-41页 |
| 第四章 基于神经网络的凝汽器故障模式识别 | 第41-56页 |
| 4．1 数据挖掘中的分类方法 | 第41-43页 |
| 4．2 神经网络的基本理论知识 | 第43-49页 |
| 4．2．1 神经元模型 | 第43-45页 |
| 4．2．2 BP神经网络的结构 | 第45-46页 |
| 4．2．3 BP神经网络的学习规则 | 第46-48页 |
| 4．2．4 BP神经网络推广能力的提高 | 第48-49页 |
| 4．3 基于BP网络的凝汽器故障模式识别 | 第49-54页 |
| 4．3．1 凝汽器的典型故障集和征兆集 | 第50-51页 |
| 4．3．2 网络的生成与训练 | 第51-53页 |
| 4．3．3 网络的测试 | 第53-54页 |
| 4．4 本章小结 | 第54-56页 |
| 第五章 基于决策树的凝汽器故障诊断 | 第56-64页 |
| 5．1 决策树方法 | 第56-58页 |
| 5．2 决策树方法在凝汽器故障诊断中的应用 | 第58-62页 |
| 5．2．1 故障样本集的构成 | 第58-60页 |
| 5．2．2 决策树的构造 | 第60-62页 |
| 5．2．3 决策树诊断结论验证 | 第62页 |
| 5．3 本章小结 | 第62-64页 |
| 第六章 关联规则在设备报警事件分析中的应用 | 第64-67页 |
| 6．1 关联规则挖掘 | 第64-65页 |
| 6．2 关联规则在设备报警事件分析中的应用 | 第65-66页 |
| 6．3 本章小结 | 第66-67页 |
| 第七章 结论 | 第67-71页 |
| 致谢 | 第71-72页 |
| 作者在攻读学位期间发表的论文 | 第72-73页 |
| 参考文献 | 第73-77页 |
