| 中文摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 1.绪论 | 第10-19页 |
| 1.1 研究背景与意义 | 第10页 |
| 1.2 磨矿分级过程的工艺流程 | 第10-12页 |
| 1.3 软测量基本原理 | 第12-13页 |
| 1.4 磨矿粒度软测量的研究现状 | 第13-16页 |
| 1.4.1 机理建模 | 第13-14页 |
| 1.4.2 数据驱动建模 | 第14-16页 |
| 1.4.3 混合建模 | 第16页 |
| 1.5 神经网络多模型软测量 | 第16-17页 |
| 1.6 本文的主要内容和结构安排 | 第17-19页 |
| 2. 基于卡尔曼滤波信息融合软测量模型 | 第19-34页 |
| 2.1 引言 | 第19页 |
| 2.2 基于卡尔曼滤波信息融合软测量模型 | 第19-27页 |
| 2.2.1 软测量模型结构 | 第19页 |
| 2.2.2 卡尔曼滤波原理 | 第19-21页 |
| 2.2.3 小波神经网络 | 第21-23页 |
| 2.2.4 支持向量机回归算法 | 第23-26页 |
| 2.2.5 RBF神经网路 | 第26-27页 |
| 2.3 磨矿过程数据的预处理 | 第27-30页 |
| 2.3.1 辅助变量的选取 | 第27-28页 |
| 2.3.2 数据去粗大误差 | 第28页 |
| 2.3.3 数据归一化 | 第28-29页 |
| 2.3.4 基于主成分分析(PCA)降维 | 第29-30页 |
| 2.4 仿真研究 | 第30-33页 |
| 2.4.1 参数设置 | 第30-31页 |
| 2.4.2 仿真结果 | 第31-33页 |
| 2.5 结论 | 第33-34页 |
| 3. 基于改进PSO算法的磨矿粒度多BP神经网络软测量模型 | 第34-50页 |
| 3.1 引言 | 第34页 |
| 3.2 基于FCM的多BP神经网络软测量模型 | 第34-38页 |
| 3.2.1 多模型软测量模型结构 | 第34页 |
| 3.2.2 FCM聚类算法 | 第34-36页 |
| 3.2.3 BP神经网络 | 第36-38页 |
| 3.3 基于改进的PSO算法优化BP神经网络 | 第38-43页 |
| 3.3.1 基本粒子群算法 | 第38-39页 |
| 3.3.2 自适应变异粒子群算法（AMPSO） | 第39-40页 |
| 3.3.3 自适应粒子群算法惯性权重的改进 | 第40-42页 |
| 3.3.4 改进后粒子群算法优化BP神经网络 | 第42-43页 |
| 3.4 磨矿粒度的多模型软测量建模方法 | 第43-44页 |
| 3.5 仿真研究 | 第44-49页 |
| 3.5.1 参数设置 | 第44-45页 |
| 3.5.2 仿真结果 | 第45-49页 |
| 3.6 结论 | 第49-50页 |
| 4. 基于CS-滞后切换策略的混合多模型磨矿粒度软测量 | 第50-61页 |
| 4.1 引言 | 第50页 |
| 4.2 磨矿粒度软测量模型 | 第50-52页 |
| 4.2.1 机理模型 | 第50-52页 |
| 4.2.2 神经网络模型 | 第52页 |
| 4.3 基于滞后切换策略的混合多软测量模型 | 第52-54页 |
| 4.3.1 多模型软测量模型结构 | 第52-53页 |
| 4.3.2 滞后切换策略 | 第53-54页 |
| 4.4 基于CS算法优化滞后切换策略参数 | 第54-57页 |
| 4.4.1 布谷鸟优化算法 | 第54-56页 |
| 4.4.2 布谷鸟搜索算法优化切换策略参数 | 第56-57页 |
| 4.5 仿真研究 | 第57-60页 |
| 4.5.1 参数设置 | 第57-58页 |
| 4.5.2 仿真结果 | 第58-60页 |
| 4.6 结论 | 第60-61页 |
| 5. 结论 | 第61-64页 |
| 参考文献 | 第64-67页 |
| 攻读硕士学位期间发表学术论文情况 | 第67-68页 |
| 致谢 | 第68-69页 |
| 作者简介 | 第69-70页 |