| 摘要 | 第1-5页 |
| ABSTRACT | 第5-7页 |
| 前言 | 第7-13页 |
| 第1章 绪论 | 第13-28页 |
| ·有色冶金过程的特点 | 第13-14页 |
| ·数据挖掘的提出与发展 | 第14-17页 |
| ·有色冶金过程引入数据挖掘技术的方式 | 第17-18页 |
| ·有色冶金过程数据挖掘的困难 | 第18-20页 |
| ·有色冶金过程建模与控制 | 第20-26页 |
| ·数据挖掘在有色冶金过程中的应用 | 第26-27页 |
| ·本文的内容与结构 | 第27-28页 |
| 第2章 有色冶金过程数据挖掘概述 | 第28-36页 |
| ·生产运行数据与有色冶金过程的关系 | 第28-29页 |
| ·有色冶金过程数据挖掘的任务和目的 | 第29-30页 |
| ·数据挖掘的过程模型 | 第30-34页 |
| ·FAYYAD数据挖掘过程模型 | 第30-31页 |
| ·GRISP-DM数据挖掘过程模型 | 第31-32页 |
| ·其它的数据挖掘模型 | 第32-33页 |
| ·有色冶金过程数据挖掘的一般过程 | 第33-34页 |
| ·基于组件观点的数据挖掘算法 | 第34-36页 |
| 第3章 有色冶金过程数据预处理与数据仓库 | 第36-53页 |
| ·有色冶金过程数据清洗与处理 | 第36-39页 |
| ·噪声数据处理 | 第36-37页 |
| ·缺失与冗余数据处理 | 第37-38页 |
| ·数据规格化与数据转换 | 第38-39页 |
| ·工业过程数据离群值检测 | 第39-41页 |
| ·数据离群值检测的目的 | 第39页 |
| ·数据离群值的检测方法 | 第39-41页 |
| ·连续属性离散化方法 | 第41-47页 |
| ·等距离划分与等频率划分 | 第42页 |
| ·统计检验方法 | 第42页 |
| ·山峰聚类法划分 | 第42-46页 |
| ·其它的离散化方法 | 第46-47页 |
| ·高维数据降维方法 | 第47-49页 |
| ·主成份分析法 | 第47-48页 |
| ·偏最小二乘法 | 第48页 |
| ·投影追踪变换法 | 第48-49页 |
| ·非线性映照 | 第49页 |
| ·数据仓库及其构建 | 第49-52页 |
| ·数据仓库的概念 | 第49-50页 |
| ·数据仓库中数据的组织 | 第50页 |
| ·数据立方 | 第50页 |
| ·多维数据模型 | 第50-51页 |
| ·数据仓库的应用 | 第51-52页 |
| ·工业过程数据挖掘中的数据管理方法 | 第52-53页 |
| 第4章 有色冶金过程数据挖掘中的优化方法与评分函数 | 第53-71页 |
| ·函数优化 | 第53-54页 |
| ·智能优化方法 | 第54-56页 |
| ·遗传算法 | 第56-59页 |
| ·遗传算法的编码与遗传操作 | 第56-58页 |
| ·遗传算法的计算步骤 | 第58-59页 |
| ·遗传算法的性能与存在的问题 | 第59页 |
| ·微粒群优化算法 | 第59-64页 |
| ·标准的微粒群算法(PSO) | 第60-61页 |
| ·多峰寻优的微粒群算法 | 第61-63页 |
| ·多峰寻优微粒群算法计算实例 | 第63-64页 |
| ·混沌微粒群优化算法 | 第64-66页 |
| ·基于混沌序列的多峰优化微粒群算法 | 第64-65页 |
| ·混沌微粒群算法计算实例 | 第65-66页 |
| ·工业过程数据挖掘用优化方法评价 | 第66-67页 |
| ·有色冶金过程数据挖掘常用模型评分函数 | 第67-71页 |
| ·有色冶金过程数据挖掘的目标 | 第67-68页 |
| ·数据挖掘模型复杂度与评分函数 | 第68页 |
| ·有色冶金过程数据挖掘的单目标评分函数 | 第68-69页 |
| ·有色冶金过程数据挖掘的多目标评分函数 | 第69-71页 |
| 第5章 铜锍吹炼过程及其数据预处理 | 第71-82页 |
| ·铜转炉吹炼过程 | 第71-74页 |
| ·铜转炉吹炼概述 | 第71-73页 |
| ·吹炼过程的主要化学反应 | 第73-74页 |
| ·铜锍吹炼优化控制目标与对象 | 第74-75页 |
| ·铜锍吹炼优化控制目标 | 第74-75页 |
| ·铜锍吹炼优化控制指标 | 第75页 |
| ·铜锍吹炼过程数据预处理 | 第75-77页 |
| ·铜锍吹炼数据聚类与离散化 | 第77-82页 |
| ·基于PSO的山峰聚类 | 第77-78页 |
| ·基于PSO的快速山峰聚类 | 第78-80页 |
| ·基于PSO山峰聚类的属性离散化方法 | 第80-82页 |
| 第6章 智能建模及其在有色冶金过程数据挖掘中的应用 | 第82-93页 |
| ·数学模型与知识模型 | 第82-83页 |
| ·数学模型 | 第82-83页 |
| ·知识模型 | 第83页 |
| ·模糊模型及铜转炉吹炼参数预测和规则挖掘 | 第83-89页 |
| ·模糊隶属函数与模糊推理 | 第83-85页 |
| ·TAKAGI-SUGENO和TSUKAMOTO模糊模型 | 第85-86页 |
| ·T-S模糊神经网络模型 | 第86-87页 |
| ·铜转炉吹炼参数模糊神经网络预测与规则挖掘模型 | 第87-89页 |
| ·铜转炉吹炼参数神经网络预测模型 | 第89-93页 |
| ·径向基神经网络回归预测模型 | 第90-91页 |
| ·RBF神经网络设计 | 第91-92页 |
| ·RBF神经网络在铜锍吹炼参数预测中的应用 | 第92-93页 |
| 第7章 核方法及其在有色冶金过程数据挖掘中的应用 | 第93-116页 |
| ·核回归 | 第93-95页 |
| ·核回归预测模型 | 第93-94页 |
| ·带聚类的广义回归神经网络预测模型 | 第94-95页 |
| ·核回归方法预测铜转炉吹炼参数 | 第95-97页 |
| ·多维高斯核回归 | 第95-96页 |
| ·核回归方法在铜转炉吹炼预测中的应用 | 第96-97页 |
| ·支持向量机模型 | 第97-112页 |
| ·支持向量机原理 | 第98-106页 |
| ·非线性支持向量分类机模型 | 第106-108页 |
| ·支持向量回归机模型 | 第108-111页 |
| ·最小二乘支持向量机模型 | 第111-112页 |
| ·支持向量机方法在铜转炉吹炼参数预测中的应用 | 第112-116页 |
| ·用支持向量回归进行铜转炉吹炼参数预测 | 第112-113页 |
| ·用支持向量回归进行数据处理 | 第113-114页 |
| ·用支持向量回归LS-SVR进行铜转炉吹炼参数预测 | 第114-116页 |
| 第8章 结论与建议 | 第116-119页 |
| ·结论 | 第116-117页 |
| ·建议 | 第117-119页 |
| 参考文献 | 第119-134页 |
| 致谢 | 第134-135页 |
| 附录 | 第135-147页 |
| 1 攻读学位期间发表的论文 | 第135-136页 |
| 2 攻读学位期间参与的课题 | 第136-137页 |
| 3 贵冶2#炉05年1～5月间吹炼数据原始样本 | 第137-142页 |
| 4 贵冶2#炉05年1～5月间吹炼数据优化样本(渣含铜<5%) | 第142-146页 |
| 5 贵冶2#炉05年1～5月间吹炼数据清洁样本 | 第146-147页 |
