| 致谢 | 第8-9页 |
| 摘要 | 第9-10页 |
| Abstract | 第10-11页 |
| 1 绪论 | 第12-26页 |
| 1.1 课题研究背景 | 第12-18页 |
| 1.1.1 大数据的发展与工业大数据的兴起 | 第12-14页 |
| 1.1.2 大数据的应用及其重要性 | 第14-17页 |
| 1.1.3 神经网络在工业数据处理中的应用 | 第17-18页 |
| 1.2 国内外神经网络处理工业大数据研究现状及大数据核心技术发展 | 第18-23页 |
| 1.2.1 国外研究现状 | 第18-21页 |
| 1.2.2 国内研究现状 | 第21-22页 |
| 1.2.3 大数据核心技术的发展 | 第22-23页 |
| 1.3 本文主体架构与完成的工作 | 第23-25页 |
| 1.3.1 课题研究的目的和意义 | 第23-24页 |
| 1.3.2 本文主要架构及内容 | 第24-25页 |
| 1.4 本章小结 | 第25-26页 |
| 2 大数据建模技术及神经网络算法 | 第26-39页 |
| 2.1 大数据建模方法 | 第26-30页 |
| 2.1.1 K-means聚类 | 第26-27页 |
| 2.1.2 回归分析 | 第27-28页 |
| 2.1.3 关联分析FP-growth算法 | 第28-29页 |
| 2.1.4 决策树算法及改进(C4.5) | 第29-30页 |
| 2.2 神经网络的物理结构及其算法 | 第30-34页 |
| 2.2.1 神经元 | 第31-32页 |
| 2.2.2 多层感知器 | 第32页 |
| 2.2.3 支持向量机 | 第32-33页 |
| 2.2.4 逻辑回归 | 第33-34页 |
| 2.3 TensorFlow简介及其神经网络实现 | 第34-37页 |
| 2.3.1 TensorFlow简介 | 第34-35页 |
| 2.3.2 TensorFlow实现神经网络 | 第35-37页 |
| 2.3.3 通过TensorFlow训练神经网络模型 | 第37页 |
| 2.4 本章小结 | 第37-39页 |
| 3 基于神经网络的工业数据分类模型 | 第39-65页 |
| 3.1 无噪声数据分类模型研究 | 第39-50页 |
| 3.1.1 单层感知器分类 | 第40-43页 |
| 3.1.1.1 损失函数定义 | 第40-41页 |
| 3.1.1.2 激活函数选取 | 第41-43页 |
| 3.1.1.3 单层感知器小结 | 第43页 |
| 3.1.2 多层感知器分类 | 第43-50页 |
| 3.1.2.1 多层感知器简单分类 | 第44-47页 |
| 3.1.2.2 梯度下降算法 | 第47-49页 |
| 3.1.2.3 学习率的设置 | 第49-50页 |
| 3.2 有噪声数据分类模型研究 | 第50-59页 |
| 3.2.1 多层感知器简单分类 | 第51页 |
| 3.2.2 softmax回归 | 第51-54页 |
| 3.2.3 过拟合问题 | 第54-56页 |
| 3.2.4 滑动平均模型 | 第56-57页 |
| 3.2.5 几种优化比较 | 第57-59页 |
| 3.3 有噪声数据分类模型最终优化 | 第59-64页 |
| 3.3.1 LeNet-5模型 | 第60-64页 |
| 3.3.1.1 卷积层 | 第60-61页 |
| 3.3.1.2 池化层 | 第61-62页 |
| 3.3.1.3 参数确定 | 第62页 |
| 3.3.1.4 优化结果 | 第62-64页 |
| 3.4 本章小结 | 第64-65页 |
| 4 基于神经网络的工业数据拟合模型 | 第65-79页 |
| 4.1 模糊傅里叶变换简介 | 第65-67页 |
| 4.2 模糊傅里叶变换网络结构设计与训练 | 第67-72页 |
| 4.2.1 模糊傅里叶变换网络结构 | 第67-68页 |
| 4.2.2 模糊傅里叶变换的训练数据获取 | 第68-69页 |
| 4.2.3 模糊傅里叶变换网络训练 | 第69-72页 |
| 4.3 模糊傅里叶变换网络的实际应用 | 第72-78页 |
| 4.3.1 超声检测实验概况 | 第73页 |
| 4.3.2 模型实际应用 | 第73-75页 |
| 4.3.3 模型应用结果全案例分析 | 第75-78页 |
| 4.4 本章小结 | 第78-79页 |
| 5 总结与展望 | 第79-81页 |
| 5.1 本文总结 | 第79页 |
| 5.2 未来研究展望 | 第79-81页 |
| 参考文献 | 第81-83页 |