| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 1 引言 | 第10-12页 |
| 2 文献综述 | 第12-28页 |
| 2.1 钢铁产品制造流程及工艺特点 | 第12-14页 |
| 2.2 数据挖掘技术简介 | 第14-16页 |
| 2.3 基于数据挖掘技术的钢铁产品质量控制研究现状 | 第16-22页 |
| 2.3.1 钢铁产品组织性能预测 | 第16-19页 |
| 2.3.2 炼钢产品成分体系设计 | 第19-22页 |
| 2.4 数据仓库模型技术 | 第22-24页 |
| 2.5 目前研究及应用存在的不足 | 第24页 |
| 2.6 本文研究内容及论文结构 | 第24-27页 |
| 2.7 本章小结 | 第27-28页 |
| 3 基于高维多输入层遗传神经网络的性能预测模型 | 第28-44页 |
| 3.1 问题描述 | 第28-30页 |
| 3.2 传统的高维多输入层神经网络模型与算法 | 第30-33页 |
| 3.3 高维多输入层遗传神经网络预测模型 | 第33-38页 |
| 3.3.1 遗传算法和BP算法相结合的两步训练算法 | 第34-35页 |
| 3.3.2 网络输入参数选择 | 第35-37页 |
| 3.3.3 网络拓扑结构 | 第37-38页 |
| 3.4 实验结果及分析 | 第38-43页 |
| 3.4.1 实验数据预处理 | 第38-39页 |
| 3.4.2 实验结果 | 第39-41页 |
| 3.4.3 预测精度对比 | 第41-43页 |
| 3.5 本章小结 | 第43-44页 |
| 4 基于属性约简的ELM性能预测模型 | 第44-62页 |
| 4.1 问题描述 | 第44-45页 |
| 4.2 基于特征选择的高维数据集的属性约简方法 | 第45-48页 |
| 4.2.1 基于信息熵理论的特征选择 | 第46页 |
| 4.2.2 基于Gram-Schmidt正交变换方法的属性约简 | 第46-48页 |
| 4.3 极限学习机ELM | 第48-50页 |
| 4.4 基于属性约简的ELM预测模型 | 第50-57页 |
| 4.4.1 基于属性约简的ELM建模方法 | 第50-51页 |
| 4.4.2 两种不同工艺质量数据集模型对比分析 | 第51-55页 |
| 4.4.3 ELM预测模型隐含层节点个数选择 | 第55-57页 |
| 4.5 实验结果及分析 | 第57-61页 |
| 4.6 本章小结 | 第61-62页 |
| 5 基于密度聚类的炼钢成分体系设计 | 第62-80页 |
| 5.1 问题描述 | 第62-64页 |
| 5.2 DBSCAN算法 | 第64-67页 |
| 5.3 基于分组的快速DBSCAN算法 | 第67-75页 |
| 5.3.1 分组算法 | 第67-70页 |
| 5.3.2 基于分组的DBSCAN算法模型 | 第70-75页 |
| 5.4 实验结果及分析 | 第75-79页 |
| 5.4.1 实验数据与处理 | 第75页 |
| 5.4.2 实验结果 | 第75-79页 |
| 5.5 本章小结 | 第79-80页 |
| 6 面向钢铁企业的全流程分析的数据存储模型及应用 | 第80-94页 |
| 6.1 面向钢铁企业的数据仓库模型需求分析 | 第80-82页 |
| 6.2 数据仓库与OLAP概述 | 第82-84页 |
| 6.2.1 数据仓库 | 第82-84页 |
| 6.2.2 OLAP | 第84页 |
| 6.3 支持质量遗传性分析的多粒度数据仓库模型设计 | 第84-89页 |
| 6.3.1 数据仓库模型设计 | 第85-89页 |
| 6.3.2 数据ETL方法设计 | 第89页 |
| 6.4 OLAP方法设计 | 第89-90页 |
| 6.5 应用案例 | 第90-92页 |
| 6.6 本章小结 | 第92-94页 |
| 7 结论 | 第94-96页 |
| 参考文献 | 第96-104页 |
| 作者简历及在学研究成果 | 第104-107页 |
| 学位论文数据集 | 第107页 |
