| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第10-13页 |
| 1.1 研究背景及意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 研究内容 | 第11-12页 |
| 1.4 全文组织结构 | 第12-13页 |
| 第二章 相关工具与技术介绍 | 第13-20页 |
| 2.1 循环神经网络 | 第13-16页 |
| 2.1.1 循环神经网络 | 第13-14页 |
| 2.1.2 长短期记忆网络 | 第14-15页 |
| 2.1.3 门控循环单元 | 第15-16页 |
| 2.2 卷积神经网络 | 第16-18页 |
| 2.2.1 卷积神经网络 | 第16-17页 |
| 2.2.2 CNN在序列问题中的应用 | 第17-18页 |
| 2.3 数据可视化工具 | 第18-19页 |
| 2.3.1 ECharts | 第18-19页 |
| 2.3.2 Matplotlib | 第19页 |
| 2.4 本章小结 | 第19-20页 |
| 第三章 阳极生产工艺与相关数据介绍 | 第20-29页 |
| 3.1 阳极生产工艺介绍 | 第20-21页 |
| 3.2 数据基本介绍 | 第21-23页 |
| 3.2.1 温度数据介绍 | 第21-22页 |
| 3.2.2 质量参数数据介绍 | 第22-23页 |
| 3.3 数据预处理与分析 | 第23-28页 |
| 3.3.1 温度数据预处理 | 第23-26页 |
| 3.3.2 质量参数数据预处理 | 第26-28页 |
| 3.4 本章小结 | 第28-29页 |
| 第四章 深度学习在焙烧升温曲线评估中的应用 | 第29-45页 |
| 4.1 焙烧升温曲线评估数据特点 | 第29-31页 |
| 4.1.1 焙烧数据特征扩充 | 第29-30页 |
| 4.1.2 评价指标转化 | 第30-31页 |
| 4.2 基于RCNN的焙烧升温曲线评估算法 | 第31-38页 |
| 4.2.1 基于RCNN的曲线评估 | 第31-33页 |
| 4.2.2 基于升温阶段的RCNN算法改进 | 第33-34页 |
| 4.2.3 算法总体流程 | 第34-35页 |
| 4.2.4 Dropout方法 | 第35-36页 |
| 4.2.5 Swish激活函数 | 第36-37页 |
| 4.2.6 Adam优化算法 | 第37-38页 |
| 4.3 实验验证与分析 | 第38-44页 |
| 4.3.1 实验数据 | 第38-39页 |
| 4.3.2 评测方法 | 第39-40页 |
| 4.3.3 参数选取 | 第40-41页 |
| 4.3.4 结果分析 | 第41-44页 |
| 4.4 本章小结 | 第44-45页 |
| 第五章 阳极焙烧升温曲线评估与分析系统的设计与实现 | 第45-59页 |
| 5.1 系统需求分析 | 第45-46页 |
| 5.2 系统总体设计 | 第46-48页 |
| 5.2.1 系统设计原则 | 第46页 |
| 5.2.2 系统功能设计 | 第46-47页 |
| 5.2.3 系统架构设计 | 第47-48页 |
| 5.3 系统主要功能展示 | 第48-58页 |
| 5.3.1 数据采集与分析模块 | 第48-51页 |
| 5.3.2 参数管理模块 | 第51-53页 |
| 5.3.3 参数处理模块 | 第53-54页 |
| 5.3.4 评估模型构建模块 | 第54-56页 |
| 5.3.5 评估结果分析模块 | 第56-58页 |
| 5.4 本章小结 | 第58-59页 |
| 第六章 研究总结与展望 | 第59-61页 |
| 6.1 研究总结 | 第59页 |
| 6.2 研究展望 | 第59-61页 |
| 参考文献 | 第61-65页 |
| 在学期间的研究成果 | 第65-66页 |
| 致谢 | 第66页 |