| 摘要 | 第1-6页 |
| ABSTRACT | 第6-10页 |
| 1. 绪论 | 第10-20页 |
| ·选题背景及意义 | 第10-14页 |
| ·粒度及其相关的概念 | 第10-11页 |
| ·进行粒度检测的方法 | 第11-12页 |
| ·国内粒度在线测量仪表应用现状 | 第12-13页 |
| ·磨矿粒度软测量的重要意义 | 第13-14页 |
| ·软测量技术及应用概况 | 第14-18页 |
| ·软测量概述 | 第14页 |
| ·软测量技术开发流程 | 第14-16页 |
| ·软测量模型的建立方法 | 第16-17页 |
| ·软测量技术的应用 | 第17-18页 |
| ·磨矿粒度软测量的研究现状 | 第18页 |
| ·国外磨矿粒度软测量的研究现状 | 第18页 |
| ·国内磨矿粒度软测量的研究现状 | 第18页 |
| ·存在的问题及本文主要工作 | 第18-20页 |
| 2. 磨矿分级工艺及磨矿粒度机理模型 | 第20-26页 |
| ·选矿过程概述 | 第20页 |
| ·磨矿分级工艺 | 第20-22页 |
| ·磨矿分级概述 | 第20-21页 |
| ·磨矿分级工艺流程 | 第21-22页 |
| ·影响水力旋流器工作的参数 | 第22页 |
| ·磨矿粒度的机理模型 | 第22-25页 |
| ·分离粒度模型 | 第22-23页 |
| ·磨矿粒度的理论模型 | 第23-24页 |
| ·分离粒度模型与磨矿粒度的理论模型的关系 | 第24-25页 |
| ·本章小结 | 第25-26页 |
| 3. 支持向量机回归及其参数优化 | 第26-46页 |
| ·统计学习理论基础 | 第27-30页 |
| ·经验风险最小化原则 | 第27-28页 |
| ·VC 维与机器学习机泛化能力的界 | 第28-29页 |
| ·结构风险最小化 | 第29-30页 |
| ·支持向量机理论 | 第30-38页 |
| ·支持向量机的分类理论 | 第30-34页 |
| ·支持向量机的回归理论 | 第34-37页 |
| ·核函数的选取 | 第37-38页 |
| ·支持向量回归参数的选取方法 | 第38-41页 |
| ·SVR 模型参数对回归性能的影响 | 第39页 |
| ·SVR 模型参数的选取方法 | 第39-41页 |
| ·基于粒子群优化算法的 SVR 参数寻优 | 第41-44页 |
| ·粒子群优化算法 | 第41-43页 |
| ·适应度函数的确定 | 第43-44页 |
| ·SVR 模型参数的寻优过程 | 第44页 |
| ·本章小结 | 第44-46页 |
| 4. 基于支持向量机回归的磨矿粒度软测量 | 第46-62页 |
| ·软测量模型辅助变量的选择 | 第46-47页 |
| ·数据采集与数据预处理 | 第47-49页 |
| ·现场数据采集 | 第47-48页 |
| ·基于模式聚类的噪声数据预处理 | 第48-49页 |
| ·数据标准化预处理 | 第49页 |
| ·软测量模型的建立及其仿真 | 第49-57页 |
| ·基于支持向量机回归模型的建立及其仿真 | 第49-52页 |
| ·经验模型的建立及其仿真 | 第52-54页 |
| ·基于 BP 神经网络回归模型的建立及其仿真 | 第54-57页 |
| ·软测量模型仿真的结果对比分析 | 第57-59页 |
| ·本章小结 | 第59-62页 |
| 5. SVR 磨矿粒度软测量软件的开发方案 | 第62-72页 |
| ·粒度软测量软件的总体实现方案 | 第62-64页 |
| ·粒度软测量软件的接口技术 | 第64-65页 |
| ·VB.NET 与 MATLAB 接口方法 | 第64页 |
| ·MATLAB 与 ACCESS 数据库的接口方法 | 第64-65页 |
| ·SVR 粒度软测量软件运行介绍 | 第65-70页 |
| ·粒度软测量模型训练软件介绍 | 第65-69页 |
| ·粒度软测量模型应用软件介绍 | 第69-70页 |
| ·本章小结 | 第70-72页 |
| 6. 结论与展望 | 第72-74页 |
| ·论文研究总结 | 第72-73页 |
| ·展望 | 第73-74页 |
| 参考文献 | 第74-76页 |
| 攻读硕士学位期间发表学术论文情况 | 第76-78页 |
| 致谢 | 第78-80页 |
| 作者简介 | 第80-81页 |