| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 研究背景及意义 | 第9页 |
| 1.2 工业制造业质量预测国内外研究现状 | 第9-13页 |
| 1.3 本文主要工作 | 第13-14页 |
| 1.4 论文章节安排 | 第14-16页 |
| 第2章 产品批次质量预测关键技术 | 第16-25页 |
| 2.1 数据预处理和特征工程 | 第16-18页 |
| 2.1.1 数据预处理 | 第16页 |
| 2.1.2 特征工程 | 第16-18页 |
| 2.2 产品批次质量预测回归算法 | 第18-23页 |
| 2.2.1 多元线性回归算法 | 第18-20页 |
| 2.2.2 主成分回归分析算法 | 第20页 |
| 2.2.3 偏最小二乘回归算法 | 第20-21页 |
| 2.2.4 岭回归算法 | 第21页 |
| 2.2.5 LASSO回归算法 | 第21页 |
| 2.2.6 XGBoost算法 | 第21-22页 |
| 2.2.7 RandomForest算法 | 第22-23页 |
| 2.3 Stacking集成算法 | 第23-24页 |
| 2.3.1 基学习器的训练 | 第23-24页 |
| 2.3.2 元层学习器的训练 | 第24页 |
| 2.4 本章小结 | 第24-25页 |
| 第3章 产品批次多阶段特征工程与质量预测方法的设计与实现 | 第25-46页 |
| 3.1 产品批次多阶段质量预测方法总体设计 | 第25-26页 |
| 3.2 产品批次数据探索性分析及可视化实现 | 第26-33页 |
| 3.2.1 数据来源 | 第26-27页 |
| 3.2.2 产品批次数据特征描述 | 第27-29页 |
| 3.2.3 产品批次数据特征分析及可视化 | 第29-33页 |
| 3.3 产品批次数据预处理 | 第33页 |
| 3.3.1 缺失值处理 | 第33页 |
| 3.3.2 异常值处理 | 第33页 |
| 3.4 产品批次加工过程多阶段特征设计 | 第33-38页 |
| 3.4.1 产品批次加工初始阶段特征提取 | 第35页 |
| 3.4.2 产品批次半加工阶段特征提取 | 第35-36页 |
| 3.4.3 产品批次加工完成阶段特征提取 | 第36-38页 |
| 3.5 产品批次多阶段的特征选择 | 第38-40页 |
| 3.5.1 基于XGBoost模型的特征选择 | 第38-39页 |
| 3.5.2 基于RandomForest模型的特征选择 | 第39-40页 |
| 3.5.3 基于XGBoost与RandomForest模型结合的特征选择 | 第40页 |
| 3.6 产品批次多阶段特征构建 | 第40-41页 |
| 3.7 产品批次质量预测模型 | 第41-44页 |
| 3.7.1 产品批次质量单一预测模型 | 第41-43页 |
| 3.7.2 基于Stacking集成产品批次质量预测模型 | 第43-44页 |
| 3.8 本章小结 | 第44-46页 |
| 第4章 实验结果分析 | 第46-53页 |
| 4.1 实验工具与平台介绍 | 第46页 |
| 4.2 实验过程 | 第46-48页 |
| 4.2.1 样本的构造 | 第46页 |
| 4.2.2 模型的评估 | 第46-47页 |
| 4.2.3 特征的提取与分析 | 第47-48页 |
| 4.2.4 XGBoost模型参数优化与对比 | 第48页 |
| 4.3 Stacking集成学习算法实验结果分析 | 第48-51页 |
| 4.3.1 多组基学习器预测性能对比 | 第48-49页 |
| 4.3.2 基学习器预测性能 | 第49-50页 |
| 4.3.3 Stacking集成学习模型预测性能 | 第50-51页 |
| 4.3.4 Stacking集成学习模型在加工进度不同阶段下预测性能 | 第51页 |
| 4.4 本章小结 | 第51-53页 |
| 第5章 总结与展望 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 致谢 | 第58-59页 |
| 攻读硕士学位期间的研究成果 | 第59页 |
