| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 引言 | 第10-11页 |
| 第1章 绪论 | 第11-16页 |
| 1.1 研究背景及意义 | 第11-13页 |
| 1.1.1 大数据发展背景 | 第11页 |
| 1.1.2 数据清洗技术研究新进展 | 第11-12页 |
| 1.1.3 配煤炼焦领域发展背景 | 第12-13页 |
| 1.1.4 研究意义 | 第13页 |
| 1.2 研究现状 | 第13-14页 |
| 1.3 本文组织结构 | 第14-16页 |
| 第2章 规律挖掘算法的理论分析及应用发展 | 第16-22页 |
| 2.1 各类神经网络算法间的对比分析 | 第16-17页 |
| 2.2 神经网络应用的发展概况 | 第17-18页 |
| 2.3 神经网络在焦炭质量预测领域的应用发展 | 第18-22页 |
| 第3章 数据清洗理论及案例分析 | 第22-28页 |
| 3.1 数据清洗基本理论及方法 | 第22-23页 |
| 3.2 数据清洗流程 | 第23-24页 |
| 3.3 数据清洗案例分析 | 第24-27页 |
| 3.3.1 配煤炼焦数据的收集与整合 | 第24-25页 |
| 3.3.2 配煤炼焦数据清洗实例 | 第25-27页 |
| 3.4 本章小结 | 第27-28页 |
| 第4章 基于交叉验证的级联BP神经网络模型及其应用 | 第28-44页 |
| 4.1 BP神经网络理论 | 第28-29页 |
| 4.2 基于BP神经网络的焦炭质量预测模型 | 第29-35页 |
| 4.2.1 数据选择和归一化 | 第30页 |
| 4.2.2 网络调试过程及结果分析 | 第30-35页 |
| 4.3 基于交叉验证的级联BP神经网络的焦炭质量预测模型 | 第35-43页 |
| 4.3.1 交叉验证思想 | 第36页 |
| 4.3.2 级联BP神经网络结构 | 第36-37页 |
| 4.3.3 基于交叉验证的级联BP神经网络 | 第37-39页 |
| 4.3.4 仿真结果及分析 | 第39-43页 |
| 4.4 本章小结 | 第43-44页 |
| 第5章 网络泛化性提升算法及三类前向神经网络模型对比 | 第44-56页 |
| 5.1 RBF神经网络理论 | 第44-45页 |
| 5.2 提高网络泛化性的算法 | 第45-49页 |
| 5.3 对比分析基于三类前向神经网络的焦炭质量预测模型 | 第49-54页 |
| 5.3.1 数据预处理 | 第49页 |
| 5.3.2 三类前向神经网络结构的确定 | 第49-51页 |
| 5.3.3 仿真结果及分析 | 第51-54页 |
| 5.4 本章小结 | 第54-56页 |
| 第6章 基于领域知识表征方法的神经网络模型及其应用 | 第56-64页 |
| 6.1 领域知识概述 | 第56页 |
| 6.2 基于领域知识的神经网络的焦炭质量预测模型 | 第56-63页 |
| 6.2.1 神经网络结构的确定 | 第56-57页 |
| 6.2.2 基于配煤炼焦的领域知识符号表示形态 | 第57-58页 |
| 6.2.3 仿真结果及分析 | 第58-63页 |
| 6.3 本章小结 | 第63-64页 |
| 结论 | 第64-65页 |
| 参考文献 | 第65-68页 |
| 附录 A 部分原始数据源 | 第68-72页 |
| 致谢 | 第72-73页 |
| 导师简介 | 第73-74页 |
| 作者简介 | 第74-75页 |
| 学位论文数据集 | 第75页 |
