数据挖掘技术在化工产品配方优化中的应用
| 中文摘要 | 第1页 |
| ABSTRACT | 第3-7页 |
| 第一章 课题研究的背景及意义 | 第7-11页 |
| ·数据挖掘技术综述 | 第7-8页 |
| ·数据挖掘技术在化工领域的应用概况 | 第8-9页 |
| ·本课题研究的意义和内容 | 第9-11页 |
| ·本课题研究的意义 | 第9页 |
| ·研究的主要工作内容 | 第9-11页 |
| 第二章 数据预处理 | 第11-20页 |
| ·基本理论 | 第11-13页 |
| ·数据清理 | 第11页 |
| ·数据集成与转换 | 第11-12页 |
| ·数据化简和归约 | 第12-13页 |
| ·化工数据的特点及处理方法 | 第13-18页 |
| ·化工数据的特点 | 第13页 |
| ·数据预处理的主要方法 | 第13-18页 |
| ·缺失数据处理 | 第14-15页 |
| ·噪声数据处理 | 第15-16页 |
| ·样本数较少的问题的解决 | 第16-18页 |
| ·数据预处理的实现 | 第18-20页 |
| 第三章 BP 算法及其改进研究 | 第20-39页 |
| ·人工神经网络基本理论 | 第20-24页 |
| ·BP 神经网络 | 第20页 |
| ·BP 网络结构 | 第20-21页 |
| ·BP 算法中的数学公式描述 | 第21-22页 |
| ·BP 算法的学习过程 | 第22-24页 |
| ·BP 神经网络结构的确定原则 | 第24页 |
| ·BP神经网络的主要缺点和改进方法 | 第24-36页 |
| ·BP 神经网络的主要缺点 | 第25-26页 |
| ·现有的主要BP 算法的改进方案及其比较 | 第26-35页 |
| ·综述 | 第26页 |
| ·准备工作 | 第26-27页 |
| ·验证工作说明 | 第27-28页 |
| ·修改神经网络的参数的改进方案 | 第28-33页 |
| ·基于数值优化方法的网络训练算法 | 第33-35页 |
| ·主要改进方案的性能比较 | 第35-36页 |
| ·网络结构的影响 | 第36-39页 |
| ·验证方式 | 第36-38页 |
| ·结果分析 | 第38-39页 |
| 第四章 神经网络与遗传算法的结合 | 第39-46页 |
| ·遗传算法基本理论 | 第39-41页 |
| ·综述 | 第39-41页 |
| ·参数编码 | 第40页 |
| ·初始群体的设定 | 第40页 |
| ·适应度函数计算 | 第40页 |
| ·主要遗传操作 | 第40-41页 |
| ·收敛的设定 | 第41页 |
| ·BP神经网络与遗传算法的结合 | 第41-43页 |
| ·遗传算法与人工神经网络的结合方式 | 第41-42页 |
| ·主要问题分析 | 第42-43页 |
| ·编码方式的分析 | 第42-43页 |
| ·适应度函数的分析 | 第43页 |
| ·其它重要参数 | 第43页 |
| ·多物种进化遗传算法 | 第43-46页 |
| ·SEGA 简介 | 第44页 |
| ·SEGA 在本文中的应用 | 第44-46页 |
| 第五章 遗传神经网络的实现 | 第46-56页 |
| ·MATLAB软件简介 | 第46页 |
| ·遗传—神经网络算法 | 第46-50页 |
| ·遗传因子的组成 | 第46-47页 |
| ·个体适应值及其比例变换 | 第47-48页 |
| ·算法描述 | 第48-49页 |
| ·遗传神经网络的实现 | 第49-50页 |
| ·结果分析 | 第50-53页 |
| ·回归分析和相关性分析方法 | 第50-51页 |
| ·模型结果分析 | 第51-53页 |
| ·脂肪酸模型 | 第51页 |
| ·感光材料模型 | 第51-53页 |
| ·遗传神经网络的实际应用方式 | 第53-56页 |
| ·配比方案优化问题的分析 | 第53-54页 |
| ·解决配比方案优化问题的流程 | 第54-56页 |
| 第六章 总结 | 第56-57页 |
| 参考文献 | 第57-61页 |
| 致谢 | 第61-62页 |
| 在学期间发表的学术论文和参加科研情况 | 第62页 |
