| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 第1章 绪论 | 第8-20页 |
| 1.1 论文研究的背景及意义 | 第8-9页 |
| 1.2 干熄焦系统的发展状况 | 第9-12页 |
| 1.2.1 干熄焦技术国内外研究现状 | 第9-10页 |
| 1.2.2 干熄焦技术优势 | 第10-11页 |
| 1.2.3 干熄焦技术的发展趋势与控制难点 | 第11-12页 |
| 1.3 人工神经网络的概述 | 第12-14页 |
| 1.3.1 神经网络的发展 | 第12-13页 |
| 1.3.2 神经网络的基本介绍 | 第13-14页 |
| 1.4 线型变量选择方法概述 | 第14-18页 |
| 1.4.1 子集选择法 | 第14-16页 |
| 1.4.2 系数压缩法 | 第16-18页 |
| 1.5 课题研究的主要内容和意义 | 第18-20页 |
| 第2章 干熄焦技术的理论基础及初步过程数据分析 | 第20-28页 |
| 2.1 干熄焦系统的基本结构和工作原理 | 第20-22页 |
| 2.2 干熄焦系统监测数据 | 第22-23页 |
| 2.3 干熄焦系统建模变量的初步选取 | 第23-28页 |
| 第3章 干熄焦系统建模的理论基础 | 第28-38页 |
| 3.1 神经网络的理论基础与选取 | 第28-31页 |
| 3.2 变量筛选方法 | 第31-33页 |
| 3.2.1 向前选取法 | 第31-32页 |
| 3.2.2 Lasso算法 | 第32-33页 |
| 3.3 交叉验证法 | 第33-35页 |
| 3.3.1 留一交叉验证法 | 第34页 |
| 3.3.2 留P交叉验证法 | 第34页 |
| 3.3.3 K-fold交叉验证法 | 第34-35页 |
| 3.4 求解变量筛选问题的最优化算法 | 第35-37页 |
| 3.5 本章小结 | 第37-38页 |
| 第4章 基于Lasso与神经网络的变量选择方法的设计与求解 | 第38-46页 |
| 4.1 多层感知器MLP神经网络与K-fold交叉验证方法相结合的建模方法 | 第39-42页 |
| 4.2 Lasso-ANN变量筛选模型的构建 | 第42-43页 |
| 4.3 运用改进的PSO算法求解Lasso-ANN | 第43-45页 |
| 4.4 本章小结 | 第45-46页 |
| 第5章 对干熄焦系统的建模方法的仿真结果比较 | 第46-52页 |
| 5.1 神经网络建模方法与最小二乘法的建模仿真与比较 | 第46-47页 |
| 5.2 交叉验证法神经网络建模与向前选取神经网络的建模与仿真 | 第47-48页 |
| 5.3 基于Lasso惩罚与多层感知器神经网络的仿真建模 | 第48-50页 |
| 5.4 本章小结 | 第50-52页 |
| 第6章 总结与展望 | 第52-54页 |
| 6.1 总结 | 第52-53页 |
| 6.2 展望 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 致谢 | 第58-60页 |
| 在学期间发表的学术论文 | 第60页 |
