| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第12-22页 |
| 1.1 选题的背景和意义 | 第12-14页 |
| 1.2 选矿生产流程描述及工艺指标的特性分析 | 第14-18页 |
| 1.2.1 选矿工艺流程描述 | 第14-16页 |
| 1.2.2 选矿流程中的几类生产指标 | 第16-17页 |
| 1.2.3 综合生产指标和它们之间的关系定性分析 | 第17-18页 |
| 1.3 选矿综合生产指标预报现状及存在的问题 | 第18-20页 |
| 1.3.1 综合生产指标预报的必要性的进一步分析 | 第18-19页 |
| 1.3.2 传统方法与智能方法存在的问题 | 第19页 |
| 1.3.3 支持向量机应用于选矿综合生产指标预报的研究现状及存在的问题 | 第19-20页 |
| 1.4 本文的主要工作 | 第20-21页 |
| 1.5 本章小结 | 第21-22页 |
| 第2章 PCA-MGA及其在预测模型输入数据特征提取中的应用 | 第22-46页 |
| 2.1 预报模型的输入数据存在的问题和当前特征提取算法的研究现状 | 第22页 |
| 2.1.1 当前预报模型的输入数据存在的问题 | 第22页 |
| 2.1.2 当前特征提取算法的研究现状 | 第22页 |
| 2.2 主成分分析及主成分分析的选择问题 | 第22-24页 |
| 2.2.1 主成分分析法 | 第22-23页 |
| 2.2.2 主成分的选择问题 | 第23-24页 |
| 2.3 基于PCA-MGA的主成分选择方法 | 第24-33页 |
| 2.3.1 算法总体过程 | 第25-26页 |
| 2.3.2 染色体编码 | 第26-27页 |
| 2.3.3 适应度函数 | 第27-30页 |
| 2.3.4 选择和交叉 | 第30页 |
| 2.3.5 变异 | 第30-32页 |
| 2.3.6 基因座变异概率算子 | 第32-33页 |
| 2.4 仿真实验及实验结果分析 | 第33-44页 |
| 2.4.1 实验1：选矿综合精矿产量预报 | 第33-39页 |
| 2.4.2 实验2：选矿综合精矿品位预报 | 第39-44页 |
| 2.5 本章小结 | 第44-46页 |
| 第3章 基于PCA-MGA和最小二乘支持向量机的精矿产量预报 | 第46-60页 |
| 3.1 精矿产量预报问题描述 | 第46-47页 |
| 3.1.1 精矿产量预报的重要性 | 第46页 |
| 3.1.2 产量指标预报的现有方法 | 第46-47页 |
| 3.2 支持向量机 | 第47-51页 |
| 3.2.1 支持向量机用于选矿精矿产量的预报 | 第47页 |
| 3.2.2 支持向量机及其基本原理 | 第47-50页 |
| 3.2.3 最小二乘支持向量机 | 第50-51页 |
| 3.3 支持向量机的参数优化 | 第51-53页 |
| 3.3.1 支持向量机参数优化的重要性 | 第51-52页 |
| 3.3.2 粒子群算法用于支持向量机的参数优化 | 第52-53页 |
| 3.4 基于PCA-MGA和最小二乘支持向量机的算法在精矿产量预报中的应用 | 第53-55页 |
| 3.5 仿真实验 | 第55-57页 |
| 3.5.1 实验数据 | 第55页 |
| 3.5.2 实验结果 | 第55-57页 |
| 3.5.3 与现有方法的对比 | 第57页 |
| 3.6 本章小结 | 第57-60页 |
| 第4章 基于PCA-MGA和混合模型的精矿品位预报 | 第60-70页 |
| 4.1 精矿品位预报问题描述 | 第60页 |
| 4.2 线性模型与非线性误差补偿模型用于精矿品位的预报 | 第60-63页 |
| 4.2.1 模型总体结构 | 第60-62页 |
| 4.2.2 线性模型部分 | 第62页 |
| 4.2.3 非线性模型部分 | 第62-63页 |
| 4.3 基于PCA-MGA和线性模型与非线性误差补偿模型在精矿品位预报中的应用 | 第63-65页 |
| 4.3.1 精矿品位预报精度的进一步提高 | 第63页 |
| 4.3.2 基于PCA-MGA的线性模型输入数据的特征提取 | 第63-65页 |
| 4.4 仿真实验 | 第65-69页 |
| 4.4.1 实验数据 | 第65页 |
| 4.4.2 实验设定 | 第65页 |
| 4.4.3 实验结果 | 第65-69页 |
| 4.5 本章小结 | 第69-70页 |
| 第5章 结论与展望 | 第70-72页 |
| 参考文献 | 第72-78页 |
| 致谢 | 第78-80页 |
| 硕士期间的主要工作 | 第80页 |
