| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第10-13页 |
| 1.1 研究背景 | 第10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 研究的目的及意义 | 第11页 |
| 1.4 研究内容 | 第11-12页 |
| 1.5 论文组织架构 | 第12页 |
| 1.6 本章小结 | 第12-13页 |
| 第二章 相关工作研究 | 第13-26页 |
| 2.1 预焙阳极相关知识 | 第13-15页 |
| 2.1.1 预焙阳极生产流程 | 第13-14页 |
| 2.1.2 配方数据与焙烧块理化指标标准知识 | 第14-15页 |
| 2.2 K-MEANS聚类算法介绍 | 第15-16页 |
| 2.2.1 K-means聚类算法原理 | 第15页 |
| 2.2.2 K-means聚类算法流程 | 第15-16页 |
| 2.3 BP神经网络介绍 | 第16-22页 |
| 2.3.1 BP神经网络原理 | 第18-19页 |
| 2.3.2 BP神经网络学习方式 | 第19-22页 |
| 2.4 KNN算法介绍 | 第22-25页 |
| 2.4.1 KNN分类算法原理 | 第22-24页 |
| 2.4.2 KNN分类算法流程 | 第24-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第三章 焙烧块评价方法研究 | 第26-33页 |
| 3.1 焙烧块加权评价方法 | 第26-27页 |
| 3.2 焙烧块聚类分析评价方法 | 第27-28页 |
| 3.3 焙烧块类别-加权评价方法 | 第28-30页 |
| 3.4 方法比较 | 第30-32页 |
| 3.5 本章小结 | 第32-33页 |
| 第四章 阳极配方焙烧块预测评估模型研究与优化 | 第33-43页 |
| 4.1 模型设计目的 | 第33页 |
| 4.2 阳极配方焙烧块神经网络(BBP)模型设计 | 第33-35页 |
| 4.3 BBP模型优化 | 第35-39页 |
| 4.3.1 KNN算法优化 | 第35-38页 |
| 4.3.2 阳极配方焙烧块神经网络K近邻(BBPK)模型设计 | 第38-39页 |
| 4.4 模型实验与评估 | 第39-42页 |
| 4.4.1 模型实验 | 第40-41页 |
| 4.4.2 模型结果分析与对比 | 第41-42页 |
| 4.5 本章小结 | 第42-43页 |
| 第五章 预焙阳极配方数据评估分析系统设计 | 第43-57页 |
| 5.1 系统分析与设计 | 第43-46页 |
| 5.1.1 系统功能需求分析 | 第43页 |
| 5.1.2 系统总体架构 | 第43-44页 |
| 5.1.3 系统功能设计 | 第44-46页 |
| 5.2 SSM架构 | 第46-47页 |
| 5.3 数据库设计 | 第47-51页 |
| 5.4 功能实现及结果展示 | 第51-56页 |
| 5.4.1 基本信息配置模块 | 第51-52页 |
| 5.4.2 数据采集模块 | 第52-53页 |
| 5.4.3 数据预处理模块 | 第53-55页 |
| 5.4.4 模型构建模块 | 第55页 |
| 5.4.5 数据可视化模块 | 第55-56页 |
| 5.5 本章小结 | 第56-57页 |
| 第六章 结论与展望 | 第57-58页 |
| 6.1 结论 | 第57页 |
| 6.2 展望 | 第57-58页 |
| 参考文献 | 第58-61页 |
| 在学期间的研究成果 | 第61-62页 |
| 致谢 | 第62页 |