| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 研究背景及意义 | 第10-14页 |
| 1.1.1 课题研究背景 | 第10-14页 |
| 1.1.2 课题研究意义 | 第14页 |
| 1.2 主要研究内容 | 第14-16页 |
| 1.3 组织结构 | 第16-18页 |
| 第2章 机器学习及遗传算法简介 | 第18-32页 |
| 2.1 机器学习理论 | 第18-20页 |
| 2.1.1 机器学习的主要算法 | 第18-19页 |
| 2.1.2 统计学习理论 | 第19-20页 |
| 2.2 数据挖掘技术 | 第20-25页 |
| 2.2.1 数据挖掘技术概述与研究现状 | 第20-21页 |
| 2.2.2 数据挖掘一般流程 | 第21-22页 |
| 2.2.3 数据特征提取常用方法 | 第22-23页 |
| 2.2.4 数据挖掘技术常用工具 | 第23-24页 |
| 2.2.5 数据挖掘技术在钢铁行业的应用 | 第24-25页 |
| 2.3 遗传算法 | 第25-28页 |
| 2.3.1 遗传算法概述 | 第25页 |
| 2.3.2 遗传算法历史回顾 | 第25-26页 |
| 2.3.3 遗传算法基本框架 | 第26页 |
| 2.3.4 遗传算法参数控制 | 第26-27页 |
| 2.3.5 遗传算法的特点 | 第27-28页 |
| 2.3.6 遗传算法的应用研究概况 | 第28页 |
| 2.4 R语言环境介绍 | 第28-30页 |
| 2.4.1 R语言简介 | 第28-29页 |
| 2.4.2 R语言与统计、计量 | 第29-30页 |
| 2.5 本章小结 | 第30-32页 |
| 第3章 基于统计学习的中厚板应力分析特征提取及缺陷预测 | 第32-56页 |
| 3.1 特征提取理论基础 | 第32-39页 |
| 3.1.1 子集选择 | 第32-34页 |
| 3.1.2 热图 | 第34-35页 |
| 3.1.3 聚类分析 | 第35-37页 |
| 3.1.4 Logistic回归 | 第37-39页 |
| 3.2 变量特征提取具体过程一 | 第39-49页 |
| 3.2.1 最优子集筛选变量 | 第39-42页 |
| 3.2.2 使用热图分类的方法进行相关性分析筛选变量 | 第42-44页 |
| 3.2.3 再次使用最优子集筛选变量 | 第44-45页 |
| 3.2.4 考虑变量与EVEVT的交互作用 | 第45-47页 |
| 3.2.5 最终预测模型的确立与预测结果 | 第47-49页 |
| 3.3 变量特征提取过程二 | 第49-54页 |
| 3.3.1 向后逐步选择法筛选变量 | 第49-50页 |
| 3.3.2 使用热图分类的方法进行相关性分析筛选变量 | 第50-52页 |
| 3.3.3 再次使用向后逐步选择法筛选变量 | 第52页 |
| 3.3.4 最终预测模型的确立与预测结果 | 第52-54页 |
| 3.4 本章小结 | 第54-56页 |
| 第4章 基于遗传算法的中厚板应力分析特征提取及缺陷预测 | 第56-68页 |
| 4.1 遗传算法结构 | 第56-60页 |
| 4.1.1 问题描述 | 第56-57页 |
| 4.1.2 个体编码与适值计算 | 第57-58页 |
| 4.1.3 初始种群 | 第58-59页 |
| 4.1.4 交叉算子与变异算子 | 第59-60页 |
| 4.1.5 精英保留策略与终止准则 | 第60页 |
| 4.2 程序结构设计 | 第60-62页 |
| 4.3 实验设计与结果分析 | 第62-65页 |
| 4.4 本章小结 | 第65-68页 |
| 第5章 总结与展望 | 第68-70页 |
| 5.1 本文工作总结 | 第68页 |
| 5.2 未来工作展望 | 第68-70页 |
| 参考文献 | 第70-74页 |
| 致谢 | 第74页 |
