| 学位论文的主要创新点 | 第3-4页 |
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 课题的研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 本文的主要工作 | 第11-13页 |
| 第二章 异常点检测技术 | 第13-21页 |
| 2.1 数据挖掘技术 | 第13-14页 |
| 2.2 异常点检测的主要算法 | 第14-18页 |
| 2.2.1 基于统计的异常点检测算法 | 第14-15页 |
| 2.2.2 基于距离的异常点检测算法 | 第15页 |
| 2.2.3 基于偏差的异常点检测算法 | 第15-16页 |
| 2.2.4 基于密度的异常点检测算法 | 第16页 |
| 2.2.5 基于聚类的异常点检测算法 | 第16-17页 |
| 2.2.6 基于分类的异常点检测算法 | 第17-18页 |
| 2.3 异常点检测技术的应用 | 第18-19页 |
| 2.4 本章小结 | 第19-21页 |
| 第三章 复杂工业过程的软测量建模 | 第21-33页 |
| 3.1 软测量技术 | 第21-23页 |
| 3.2 BP神经网络及其在建模中的应用 | 第23-25页 |
| 3.3 软测量建模在钢铁中的应用 | 第25-32页 |
| 3.3.1 LF炉钢水终点温度因素预测模型 | 第26-29页 |
| 3.3.2 电力负荷时序预测模型 | 第29-32页 |
| 3.4 本章小结 | 第32-33页 |
| 第四章 用于复杂工业过程因素法建模数据的异常点检测新方法 | 第33-47页 |
| 4.1 聚类算法 | 第33-36页 |
| 4.1.1 K-means算法 | 第34-35页 |
| 4.1.2 DBSCAN算法 | 第35-36页 |
| 4.2 复杂工业过程建模数据的特点 | 第36-37页 |
| 4.3 因素法建模数据的KMDBCM异常点检测新方法 | 第37-46页 |
| 4.3.1 算法流程 | 第37-39页 |
| 4.3.2 实验 | 第39-46页 |
| 4.4 本章小结 | 第46-47页 |
| 第五章 用于复杂工业过程时序法建模数据的异常点检测新方法 | 第47-55页 |
| 5.1 数据分段 | 第47-48页 |
| 5.2 补正值 | 第48页 |
| 5.3 时序法建模数据的TSSSM-DBSCAN异常点检测新方法 | 第48-54页 |
| 5.3.1 算法流程 | 第49-50页 |
| 5.3.2 实验 | 第50-54页 |
| 5.4 本章小结 | 第54-55页 |
| 第六章 总结与展望 | 第55-57页 |
| 参考文献 | 第57-61页 |
| 发表论文和参加科研情况 | 第61-63页 |
| 致谢 | 第63页 |
