| 摘要 | 第9-10页 |
| ABSTRACT | 第10页 |
| 第1章 绪论 | 第11-21页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 国内外研究概况 | 第12-15页 |
| 1.2.1 不平衡数据学习问题在数据层面的研究 | 第13-14页 |
| 1.2.2 不平衡数据学习问题在算法层面的研究 | 第14-15页 |
| 1.2.3 异常检测方面的研究 | 第15页 |
| 1.3 研究内容 | 第15-17页 |
| 1.4 论文组织结构 | 第17-21页 |
| 第2章 螺栓拧紧工艺与不平衡数据分析 | 第21-29页 |
| 2.1 螺栓拧紧数据的不平衡数据 | 第21-25页 |
| 2.1.1 螺栓数据来源及其特性 | 第21-23页 |
| 2.1.2 不平衡数据介绍 | 第23-24页 |
| 2.1.3 螺栓拧紧数据的不平衡问题 | 第24-25页 |
| 2.2 不平衡数据学习的评价准则 | 第25-28页 |
| 2.3 本章小结 | 第28-29页 |
| 第3章 螺栓拧紧数据集的预处理 | 第29-39页 |
| 3.1 螺栓拧紧数据介绍 | 第29-32页 |
| 3.1.1 常见的螺栓拧紧工艺 | 第29-30页 |
| 3.1.2 螺栓拧紧工艺与过程数据的对比分析 | 第30-31页 |
| 3.1.3 拧紧设备对异常样本的识别情况 | 第31-32页 |
| 3.2 数据预处理 | 第32-38页 |
| 3.2.1 拧紧过程数据类型及预处理方案 | 第32-34页 |
| 3.2.2 截取螺栓拧紧过程数据主体部分 | 第34-35页 |
| 3.2.3 清除过程数据中的噪声点和缺失值插值 | 第35-38页 |
| 3.3 本章小结 | 第38-39页 |
| 第4章 基于改进SMOTE算法的过采样技术 | 第39-51页 |
| 4.1 SMOTE算法介绍 | 第39-41页 |
| 4.1.1 算法原理 | 第39-40页 |
| 4.1.2 算法分析 | 第40-41页 |
| 4.2 SMOTE算法改进 | 第41-49页 |
| 4.2.1 SMOTE算法分析 | 第41-43页 |
| 4.2.2 DBSCAN算法思路 | 第43-45页 |
| 4.2.3 改进的SMOTE算法 | 第45-48页 |
| 4.2.4 改进的SMOTE算法特点分析 | 第48-49页 |
| 4.3 本章小结 | 第49-51页 |
| 第5章 数据集的特征提取 | 第51-59页 |
| 5.1 数据观察 | 第52页 |
| 5.2 特征选择 | 第52-55页 |
| 5.2.1 过程数据特征的直接特征 | 第53页 |
| 5.2.2 过程数据特征的间接特征 | 第53-55页 |
| 5.3 特征向量降维 | 第55-58页 |
| 5.4 本章小结 | 第58-59页 |
| 第6章 提升树分类算法 | 第59-65页 |
| 6.1 Xgboost算法介绍及应用 | 第59-63页 |
| 6.1.1 Xgboost介绍 | 第59-61页 |
| 6.1.2 模型的参数选择及应用 | 第61-63页 |
| 6.2 Xgboost在生产工艺异常检测中的优势 | 第63页 |
| 6.3 本章小结 | 第63-65页 |
| 第7章 基于螺栓拧紧数据的案例分析 | 第65-75页 |
| 7.1 原始数据集分析 | 第65-66页 |
| 7.2 数据预处理 | 第66-67页 |
| 7.3 改进的SMOTE算法进行过采样 | 第67-70页 |
| 7.4 异常检测分类器的训练及在线应用研究 | 第70-73页 |
| 7.4.1 基于Xgboost的异常检测分类器训练 | 第70-71页 |
| 7.4.2 异常检测模型的在线应用研究 | 第71-73页 |
| 7.5 本章小结 | 第73-75页 |
| 第8章 结论与展望 | 第75-77页 |
| 8.1 结论 | 第75页 |
| 8.2 展望 | 第75-77页 |
| 参考文献 | 第77-81页 |
| 致谢 | 第81-82页 |
| 攻读学位期间发表的科研成果目录 | 第82-83页 |
| 学位论文评阅及答辩情况表 | 第83页 |