| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-20页 |
| 1.1 课题来源 | 第10页 |
| 1.2 课题背景、目的、意义 | 第10-12页 |
| 1.3 相关领域国内外研究现状 | 第12-17页 |
| 1.3.1 状态预测方法研究 | 第12-15页 |
| 1.3.2 组合预测研究 | 第15-16页 |
| 1.3.3 立式辊磨机运行状态监测与状态预测研究 | 第16-17页 |
| 1.4 本文主要研究内容及组织结构 | 第17-20页 |
| 1.4.1 本文主要研究内容 | 第17-18页 |
| 1.4.2 本文组织结构 | 第18-20页 |
| 第2章 基于IGM的立磨运行状态预测 | 第20-31页 |
| 2.1 GM(1,1)灰色预测模型 | 第20-23页 |
| 2.1.1 GM(1,1)灰色预测模型原理 | 第20-21页 |
| 2.1.2 GM(1,1)模型的缺陷分析 | 第21-23页 |
| 2.2 基于量子遗传算法的灰色GM(1,1)预测模型优化 | 第23-28页 |
| 2.2.1 量子遗传算法原理 | 第23-25页 |
| 2.2.2 量子遗传算法优化灰色预测模型 | 第25-28页 |
| 2.3 立磨运行状态的改进灰色预测模型的预测实例分析 | 第28-30页 |
| 2.4 本章小结 | 第30-31页 |
| 第3章 基于OKELM的立磨运行状态预测 | 第31-48页 |
| 3.1 核极限学习机 | 第31-36页 |
| 3.1.1 极限学习机原理 | 第31-33页 |
| 3.1.2 核极限学习机 | 第33-35页 |
| 3.1.3 核极限学习机的缺陷分析 | 第35-36页 |
| 3.2 Improved-Nystrom的核矩阵分解 | 第36-39页 |
| 3.2.1 Improved-Nystrom的基本原理 | 第36-38页 |
| 3.2.2 Improved-Nystrom优化的KELM | 第38-39页 |
| 3.3 基于人工蜂群算法的核极限学习机优化 | 第39-43页 |
| 3.3.1 人工蜂群算法基本原理 | 第39-40页 |
| 3.3.2 ABC算法优化KELM模型 | 第40-43页 |
| 3.4 OKELM算法 | 第43-45页 |
| 3.5 立磨运行状态的核极限学习机预测实例分析 | 第45-47页 |
| 3.6 本章小结 | 第47-48页 |
| 第4章 基于残差补偿的组合预测方法的立磨运行状态预测 | 第48-62页 |
| 4.1 组合模型的理论分析 | 第48-50页 |
| 4.1.1 灰色预测模型优缺点 | 第48页 |
| 4.1.2 核极限学习机优缺点 | 第48-49页 |
| 4.1.3 灰色预测模型与核极限学习机组合的合理性 | 第49-50页 |
| 4.2 基于残差补偿的组合预测算法 | 第50-52页 |
| 4.3 立磨运行状态的组合预测实例分析 | 第52-56页 |
| 4.4 立磨运行状态预测系统设计与实现 | 第56-60页 |
| 4.5 本章小结 | 第60-62页 |
| 第5章 总结展望 | 第62-64页 |
| 5.1 全文工作总结 | 第62-63页 |
| 5.2 进一步研究展望 | 第63-64页 |
| 致谢 | 第64-65页 |
| 参考文献 | 第65-70页 |
| 攻读硕士学位期间的研究成果 | 第70页 |
