| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 1 引言 | 第10-17页 |
| 1.1 课题研究背景及意义 | 第10-11页 |
| 1.2 不良数据产生原因与定义 | 第11-12页 |
| 1.3 辨识算法的国内外研究现状 | 第12-14页 |
| 1.3.1 基于状态估计的辨识法 | 第12-13页 |
| 1.3.2 基于数据挖掘的辨识方法 | 第13-14页 |
| 1.4 修正算法的国内外研究现状 | 第14-15页 |
| 1.5 主要工作 | 第15-17页 |
| 2 不良数据的辨识 | 第17-31页 |
| 2.1 BP神经网络 | 第17-21页 |
| 2.1.1 网络结构 | 第17-18页 |
| 2.1.2 BP网络的标准学习算法 | 第18-21页 |
| 2.2 K-平均聚类算法 | 第21-23页 |
| 2.2.1 K-平均聚类算法介绍 | 第21-22页 |
| 2.2.2 K-平均算法缺点及改进 | 第22-23页 |
| 2.3 间隙统计算法(Gap Statistic Algorithm） | 第23-28页 |
| 2.3.1 间隙统计算法 | 第24-25页 |
| 2.3.2 间隙统计算法优缺点 | 第25-26页 |
| 2.3.3 间隙统计算法的改进 | 第26-28页 |
| 2.4 不良数据辨识流程 | 第28-30页 |
| 2.5 本章小结 | 第30-31页 |
| 3 不良数据的修正 | 第31-38页 |
| 3.1 基于量测值的修正 | 第31-33页 |
| 3.2 基于粒子群优化神经网络的修正 | 第33-36页 |
| 3.2.1 粒子群优化算法 | 第34页 |
| 3.2.2 粒子群优化神经网络 | 第34-36页 |
| 3.3 不良数据修正方法 | 第36-37页 |
| 3.4 本章小结 | 第37-38页 |
| 4 不良数据辨识与修正的仿真 | 第38-55页 |
| 4.1 数据准备和预处理 | 第38页 |
| 4.2 未包含不良数据时的仿真 | 第38-41页 |
| 4.3 包含不良数据时的仿真 | 第41-46页 |
| 4.4 连续组含有不良数据的辨识和修正仿真 | 第46-50页 |
| 4.5 连续不良数据的辨识与修正仿真 | 第50-54页 |
| 4.6 本章小结 | 第54-55页 |
| 结论 | 第55-57页 |
| 参考文献 | 第57-60页 |
| 作者简历 | 第60-62页 |
| 学位论文数据集 | 第62-63页 |