数据挖掘技术及其在石化装置中的应用研究
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 数据挖掘概述 | 第11-21页 |
| 1.1 数据挖掘的产生和发展 | 第11-12页 |
| 1.2 数据挖掘的过程模型 | 第12-13页 |
| 1.3 数据挖掘的任务 | 第13-16页 |
| 1.3.1 分类模式 | 第14页 |
| 1.3.2 聚类模式 | 第14页 |
| 1.3.3 回归模式 | 第14页 |
| 1.3.4 关联模式 | 第14-15页 |
| 1.3.5 序列模式 | 第15页 |
| 1.3.6 偏差模式 | 第15页 |
| 1.3.7 数据挖掘未来发展 | 第15-16页 |
| 1.4 数据挖掘技术常用方法 | 第16-18页 |
| 1.4.1 模糊方法 | 第16页 |
| 1.4.2 粗糙集理论 | 第16-17页 |
| 1.4.3 人工神经网络 | 第17页 |
| 1.4.4 遗传算法 | 第17页 |
| 1.4.5 归纳学习 | 第17-18页 |
| 1.5 数据挖掘在石化装置中的应用 | 第18-19页 |
| 1.6 本文的主要研究内容及创新点 | 第19-21页 |
| 第2章 小波神经网络 | 第21-36页 |
| 2.1 人工神经网络的概述 | 第21-24页 |
| 2.1.1 人工神经网络的发展历史 | 第21-22页 |
| 2.1.2 神经网络的结构及类型 | 第22-24页 |
| 2.1.3 神经网络参数初始化 | 第24页 |
| 2.2 前馈神经网络模型 | 第24-27页 |
| 2.2.1 BP神经网络 | 第24-26页 |
| 2.2.2 RBF神经网络网络 | 第26-27页 |
| 2.3 小波神经网络的提出及特点 | 第27-29页 |
| 2.3.1 小波神经网络的提出 | 第27-28页 |
| 2.3.2 小波神经网络的特点 | 第28-29页 |
| 2.4 小波神经网络 | 第29-33页 |
| 2.4.1 小波神经网络构建 | 第29-31页 |
| 2.4.2 小波神经网络的经典训练算法 | 第31-33页 |
| 2.5 小波神经网络训练算法改进 | 第33-36页 |
| 第3章 基于小波神经网络的原油常压塔数据挖掘 | 第36-54页 |
| 3.1 原油常减压装置介绍 | 第36-37页 |
| 3.2 常压塔工艺流程 | 第37-39页 |
| 3.3 原油常压塔数据准备 | 第39-40页 |
| 3.3.1 原油常压塔的Aspen模拟 | 第39页 |
| 3.3.2 变量的选取 | 第39-40页 |
| 3.3.3 生成训练数据 | 第40页 |
| 3.4 原油常减压的小波神经网络模型 | 第40-46页 |
| 3.4.1 数据预处理 | 第40-41页 |
| 3.4.2 模型结构的确定 | 第41-42页 |
| 3.4.3 模型训练和验证 | 第42-44页 |
| 3.4.4 建模效果对比 | 第44-46页 |
| 3.5 常压塔优化模型 | 第46-47页 |
| 3.6 模型的求解 | 第47-54页 |
| 3.6.1 列队竞争算法简介 | 第47-50页 |
| 3.6.2 优化结果及其验证 | 第50-54页 |
| 第4章 基于列队竞争算法的粗糙集属性约简 | 第54-62页 |
| 4.1 粗糙集理论 | 第54页 |
| 4.2 粗糙集的基本概念 | 第54-58页 |
| 4.2.1 信息系统 | 第54-55页 |
| 4.2.2 近似空间 | 第55-56页 |
| 4.2.3 约简与核 | 第56-57页 |
| 4.2.4 可辨别下三角矩阵 | 第57-58页 |
| 4.3 粗糙集属性约简算法 | 第58-59页 |
| 4.4 列队竞争算法在属性约简中的应用 | 第59-62页 |
| 第5章 基于粗糙集的加氢裂化反应数据挖掘 | 第62-72页 |
| 5.1 加氢裂化反应流程 | 第62-63页 |
| 5.1.1 工艺流程描述 | 第62-63页 |
| 5.1.2 加氢裂化反应部分操作优化 | 第63页 |
| 5.2 工厂数据预处理 | 第63-67页 |
| 5.2.1 变量初步筛选 | 第63-65页 |
| 5.2.2 数据清洗 | 第65页 |
| 5.2.3 数据离散化 | 第65-67页 |
| 5.3 属性约简 | 第67-68页 |
| 5.3.1 列队竞争算法属性约简 | 第67-68页 |
| 5.3.2 属性约简结果分析 | 第68页 |
| 5.4 智能可视化方法对约简数据的优化 | 第68-72页 |
| 5.4.1 智能可视化优化方法 | 第68-69页 |
| 5.4.2 生成降维映射模型 | 第69-70页 |
| 5.4.3 优化操作点的选取 | 第70-71页 |
| 5.4.4 优化结果分析 | 第71-72页 |
| 第6章 结论与展望 | 第72-74页 |
| 6.1 结论 | 第72-73页 |
| 6.2 展望 | 第73-74页 |
| 参考文献 | 第74-79页 |
| 致谢 | 第79-80页 |
| 攻读硕士学位期间发表的论文 | 第80页 |
