遗传规划在铁水含硅量预测中的应用
摘要 | 第5-7页 |
Abstract | 第7-8页 |
目次 | 第9-15页 |
第1章 绪论 | 第15-20页 |
1.1 高炉专家系统与炉温预测的意义 | 第15页 |
1.2 时间序列分析及炉温预测模型 | 第15-16页 |
1.3 机器学习在高炉过程控制中的应用 | 第16-18页 |
1.3.1 炉温预测的黑箱模型 | 第16-17页 |
1.3.2 遗传规划简介 | 第17-18页 |
1.4 本文研究内容 | 第18-20页 |
第2章 遗传规划算法描述 | 第20-32页 |
2.1 标准遗传规划与符号回归 | 第20-27页 |
2.1.1 遗传规划的函数表达 | 第20-22页 |
2.1.2 宏观算法描述 | 第22-24页 |
2.1.3 遗传算子 | 第24-26页 |
2.1.4 适应度函数及适应度调整 | 第26-27页 |
2.2 遗传规划的改进 | 第27-31页 |
2.2.1 语法指引 | 第27页 |
2.2.2 膨胀控制 | 第27-29页 |
2.2.3 自动定义函数与协同进化 | 第29-30页 |
2.2.4 非树形结构 | 第30-31页 |
2.3 本章小结 | 第31-32页 |
第3章 遗传规划的预测实验 | 第32-45页 |
3.1 预测基本概念 | 第32-33页 |
3.2 数据来源与数据清洗 | 第33-37页 |
3.2.1 高炉数据来源及概况 | 第33-34页 |
3.2.2 对高炉数据简单的数据清洗 | 第34页 |
3.2.3 函数拟合数据 | 第34-35页 |
3.2.4 公共数据库数据——太阳黑子数 | 第35-37页 |
3.3 基本参数的设定 | 第37页 |
3.4 搜索策略的对比 | 第37-40页 |
3.4.1 对搜索策略的商榷 | 第37-39页 |
3.4.2 各搜索算法的性能对比 | 第39-40页 |
3.5 遗传规划算法的预测实验 | 第40-42页 |
3.6 本章小结 | 第42-45页 |
第4章 延拓优化与抽象学习 | 第45-55页 |
4.1 优化问题的表述 | 第45-47页 |
4.2 延拓优化 | 第47-51页 |
4.2.1 评价方法——中介问题 | 第47-48页 |
4.2.2 延拓算子 | 第48-50页 |
4.2.3 延拓优化模式 | 第50-51页 |
4.3 抽象学习 | 第51-54页 |
4.3.1 抽象学习的定义 | 第51-53页 |
4.3.2 抽象学习中的要素分析 | 第53-54页 |
4.4 本章小节 | 第54-55页 |
第5章 限域遗传规划与多函数回归 | 第55-65页 |
5.1 限域遗传规划 | 第55-58页 |
5.1.1 标准化的方法 | 第56页 |
5.1.2 限域遗传规划的结构简述 | 第56-57页 |
5.1.3 实验结果 | 第57-58页 |
5.2 多函数回归法 | 第58-63页 |
5.2.1 算法描述 | 第58-60页 |
5.2.2 实验结果 | 第60-62页 |
5.2.3 结果分析 | 第62-63页 |
5.3 本章小节 | 第63-65页 |
第6章 遗传序列箱 | 第65-86页 |
6.1 时间序列预测过程的分解和函数拟合模式 | 第65-71页 |
6.1.1 链点的引入 | 第65-67页 |
6.1.2 函数拟合模式 | 第67-69页 |
6.1.3 序列与交叉验证方法 | 第69-71页 |
6.2 遗传序列箱的结构及机理 | 第71-77页 |
6.2.1 预测体系 | 第71页 |
6.2.2 遗传序列箱的预测系统形态 | 第71-73页 |
6.2.3 抽象集与辅助设施 | 第73-75页 |
6.2.4 编译过程 | 第75-77页 |
6.3 遗传算子与抽象学习过程 | 第77-80页 |
6.3.1 评判标准与适应度的计算 | 第77-79页 |
6.3.2 遗传算子:构造函数与变异函数 | 第79-80页 |
6.4 遗传序列箱的应用 | 第80-85页 |
6.4.1 预测结果 | 第80-83页 |
6.4.2 结果分析 | 第83-84页 |
6.4.3 遗传序列箱的特点 | 第84-85页 |
6.5 本章小结 | 第85-86页 |
第7章 结论与展望 | 第86-90页 |
7.1 主要成果 | 第86-87页 |
7.2 后续研究展望 | 第87-90页 |
7.2.1 理论上的新问题 | 第87-88页 |
7.2.2 有待进一步研究的课题 | 第88-90页 |
参考文献 | 第90-95页 |
致谢 | 第95-96页 |