动态贝叶斯网络构建及篦冷机篦下压力状态预测研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题研究背景及意义 | 第10-11页 |
| 1.2 贝叶斯网络的研究现状 | 第11-14页 |
| 1.2.1 静态贝叶斯网的研究现状 | 第11-13页 |
| 1.2.2 动态贝叶斯网的研究现状 | 第13-14页 |
| 1.3 篦冷机系统参数优化的研究现状 | 第14-15页 |
| 1.4 论文主要研究内容及章节安排 | 第15-16页 |
| 第2章 静态贝叶斯结构学习改进算法 | 第16-30页 |
| 2.1 引言 | 第16页 |
| 2.2 经典贝叶斯结构学习算法 | 第16-19页 |
| 2.2.1 K2算法 | 第16-18页 |
| 2.2.2 HC算法 | 第18-19页 |
| 2.3 蚁群节点寻优改进K2算法 | 第19-23页 |
| 2.3.1 互信息与最大支撑树 | 第19-20页 |
| 2.3.2 蚁群节点寻优算法设计原理 | 第20-22页 |
| 2.3.3 蚁群节点寻优算法仿真实验 | 第22-23页 |
| 2.4 分类优化改进HC算法 | 第23-28页 |
| 2.4.1 分类优化算法设计原理 | 第23-26页 |
| 2.4.2 分类优化算法仿真实验 | 第26-28页 |
| 2.5 本章小结 | 第28-30页 |
| 第3章 动态贝叶斯结构学习改进算法 | 第30-42页 |
| 3.1 引言 | 第30页 |
| 3.2 动态贝叶斯网络概述 | 第30-33页 |
| 3.2.1 动态贝叶斯网基本模型 | 第30-31页 |
| 3.2.2 动态贝叶斯网的BIC度量 | 第31-33页 |
| 3.3 分类优化动态贝叶斯算法 | 第33-41页 |
| 3.3.1 时间互信息 | 第33页 |
| 3.3.2 分类优化动态贝叶斯算法实现过程 | 第33-36页 |
| 3.3.3 分类优化动态贝叶斯算法收敛性证明 | 第36-38页 |
| 3.3.4 分类优化动态贝叶斯算法仿真实验 | 第38-41页 |
| 3.4 本章小结 | 第41-42页 |
| 第4章 基于动态贝叶斯网络的篦下压力状态预测研究 | 第42-54页 |
| 4.1 引言 | 第42页 |
| 4.2 水泥篦冷机工艺流程及篦冷机工艺参数选取 | 第42-44页 |
| 4.2.1 水泥篦冷机工艺流程 | 第42-43页 |
| 4.2.2 篦冷机关键参数与篦下压力的关系 | 第43-44页 |
| 4.3 水泥篦冷机动态贝叶斯网络模型建立 | 第44-47页 |
| 4.3.1 篦冷机工艺参数选取 | 第44-45页 |
| 4.3.2 参数数据处理和量化 | 第45-46页 |
| 4.3.3 动态贝叶斯网络模型建立 | 第46-47页 |
| 4.4 篦冷机篦下压力状态预测研究 | 第47-53页 |
| 4.4.1 动态贝叶斯网络模型参数学习 | 第48-50页 |
| 4.4.2 篦下压力状态预测研究 | 第50-52页 |
| 4.4.3 篦下压力状态预测准确度分析 | 第52-53页 |
| 4.5 本章小结 | 第53-54页 |
| 结论 | 第54-56页 |
| 参考文献 | 第56-62页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第62-63页 |
| 致谢 | 第63页 |
