钢铁冶炼过程质量异常诊断方法的研究与实现
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 选题背景 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.3 论文研究内容 | 第12-13页 |
| 1.4 论文结构安排 | 第13-15页 |
| 第二章 相关技术研究 | 第15-24页 |
| 2.1 钢铁冶炼过程介绍 | 第15-16页 |
| 2.2 数据挖掘分类算法 | 第16-17页 |
| 2.2.1 BP神经网络 | 第17页 |
| 2.3 Hadoop 2.0介绍 | 第17-21页 |
| 2.3.1 HDFS介绍 | 第18-19页 |
| 2.3.2 YARN介绍 | 第19-21页 |
| 2.4 Spark并行框架 | 第21-23页 |
| 2.5 本章小结 | 第23-24页 |
| 第三章 钢铁冶炼过程数据处理与参数评估 | 第24-30页 |
| 3.1 数据介绍 | 第24页 |
| 3.2 数据预处理 | 第24-27页 |
| 3.2.1 数据噪声处理 | 第25页 |
| 3.2.2 数据归一化 | 第25-26页 |
| 3.2.3 数据降维 | 第26-27页 |
| 3.3 数据分析与参数评估 | 第27-30页 |
| 3.3.1 皮尔森相关系数 | 第27页 |
| 3.3.2 参数相关性计算 | 第27-28页 |
| 3.3.3 数据加权 | 第28-29页 |
| 3.3.4 本章小结 | 第29-30页 |
| 第四章 钢铁冶炼过程数据质量诊断方法研究 | 第30-43页 |
| 4.1 质量诊断相关研究 | 第30-31页 |
| 4.2 kNN质量诊断算法 | 第31-35页 |
| 4.2.1 kNN算法介绍 | 第31页 |
| 4.2.2 算法思想 | 第31页 |
| 4.2.3 算法步骤 | 第31-32页 |
| 4.2.4 算法中的距离计算 | 第32-34页 |
| 4.2.5 算法并行化 | 第34-35页 |
| 4.3 均值-标准差质量诊断算法 | 第35-39页 |
| 4.3.1 均值 | 第35-36页 |
| 4.3.2 标准差 | 第36页 |
| 4.3.3 算法思想 | 第36-37页 |
| 4.3.4 算法步骤 | 第37-38页 |
| 4.3.5 算法并行化 | 第38-39页 |
| 4.4 算法比较 | 第39-42页 |
| 4.5 本章小结 | 第42-43页 |
| 第五章 钢铁冶炼过程数据质量评估方法 | 第43-49页 |
| 5.1 问题描述 | 第43页 |
| 5.2 BP神经网络工作机制 | 第43-46页 |
| 5.3 基于BP神经网络的质量评估方法 | 第46-47页 |
| 5.4 质量评估实例 | 第47-49页 |
| 5.4.1 网络训练过程 | 第47页 |
| 5.4.2 质量评估过程 | 第47-48页 |
| 5.4.3 本章小结 | 第48-49页 |
| 第六章 钢铁冶炼过程质量诊断子系统设计与实现 | 第49-62页 |
| 6.1 主系统介绍 | 第49-51页 |
| 6.1.1 主系统架构 | 第49-50页 |
| 6.1.2 主系统功能 | 第50-51页 |
| 6.2 需求分析 | 第51页 |
| 6.2.1 总体需求 | 第51页 |
| 6.2.2 功能需求 | 第51页 |
| 6.3 系统架构 | 第51-52页 |
| 6.4 模块设计 | 第52-53页 |
| 6.5 系统实现 | 第53-55页 |
| 6.5.1 系统环境 | 第53-54页 |
| 6.5.2 模块实现 | 第54-55页 |
| 6.6 应用实例 | 第55-60页 |
| 6.7 总结 | 第60-62页 |
| 第七章 总结与展望 | 第62-64页 |
| 7.1 工作总结 | 第62-63页 |
| 7.2 展望 | 第63-64页 |
| 参考文献 | 第64-66页 |
| 致谢 | 第66页 |
