粗糙集在氧化铝种分数据分析中的应用

论文摘要

随着自动监控系统和实时数据库在工业应用中的推广，氧化铝生产行业中积累了大量的历史数据。如何从这些历史数据中发现蕴含的、对生产和管理具有重要指导作用的规律，已成为企业目前迫切需要解决的问题。本文基于粗糙集理论，主要针对氧化铝种分领域应用中的一些关键问题进行研究和探索。离散化是粗糙集建模的重要过程。针对已有离散化方法众多、用户难以选择的问题，给出以分类预测正确率为衡量离散化方法优劣的评价标准，分析不同离散化方法对种分过程粗糙集模型分类预测正确率的影响，将粗糙集与领域知识相结合，提出一种以近似精度作为反馈信息适用于氧化铝晶种分解领域的数据离散化方法，使其能产生更有效和实用的决策规则。详细分析种分领域的数据特点，建立氧化铝种分领域的粗糙集数据分析模型，并将该模型应用于某二段法生产砂状氧化铝的工业试验数据的分析处理，实现附聚效率预测的知识发现过程，得到良好的附聚效率预测效果。针对粗糙集方法获取规则无法预测某些样本以及神经网络处理种分数据预测准确度不高的问题，构建一种基于粗糙神经网络的数据分析模型，并将该模型应用于某二段法生产砂状氧化铝的工业数据处理，降低了模型预测的平均误差，且该模型由于消除冗余属性和噪声样本，大大减少了时间和空间复杂度，较好地实现了氧化铝种分过程的调控和预测。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 粗糙集的特点及所能解决的问题
• 1.1.1 粗糙集理论的特点
• 1.1.2 粗糙集理论所能解决的问题
• 1.2 粗糙集的研究现状
• 1.2.1 粗糙集的理论研究
• 1.2.2 粗糙集的应用研究
• 1.3 氧化铝种分过程概述
• 1.3.1 工艺流程及主要经济技术指标
• 1.3.2 种分过程的影响因素
• 1.4 种分过程数据特点及其分析现状
• 1.4.1 种分过程的数据特点
• 1.4.2 种分过程数据分析现状
• 1.5 论文研究的内容和意义
• 1.6 论文的组织结构
• 第二章 粗糙集理论及方法
• 2.1 粗糙集理论基本概念
• 2.1.1 信息系统和决策表
• 2.1.2 不可分辨关系
• 2.1.3 上下近似与粗糙集
• 2.1.4 近似质量与近似精度
• 2.1.5 属性依赖与属性重要性
• 2.1.6 可辨识矩阵
• 2.1.7 约简与核
• 2.2 决策表约简
• 2.2.1 决策表属性约简
• 2.2.2 决策表属性值约简
• 2.3 决策规则
• 第三章 数据预处理
• 3.1 数据补齐
• 3.2 数据离散化
• 3.2.1 离散化问题的描述及其评价标准
• 3.2.2 数据离散化的一般方法
• 3.2.3 基于近似精度的连续属性离散化方法
• 3.3 各种离散化方法在种分建模中的比较分析
• 3.3.1 比较方案
• 3.3.2 比较结果分析
• 第四章 基于粗糙集的种分过程预测模型
• 4.1 粗糙集建模的基本思想
• 4.2 基于粗糙集的种分附聚效率预测模型
• 4.2.1 条件属性集合与决策属性集合的确定
• 4.2.2 种分数据的采集与完备
• 4.2.3 种分数据的离散化
• 4.2.4 数据约简
• 4.2.5 决策规则
• 4.2.6 预测结果
• 4.3 结果评价
• 第五章 基于粗糙—神经网络的种分过程预测模型
• 5.1 神经网络模型
• 5.2 基于神经网络模型的种分附聚效率预测
• 5.2.1 数据的线性探索性分析
• 5.2.2 附聚效率预测
• 5.3 粗糙—神经网络模型
• 5.3.1 粗糙集部分设计
• 5.3.2 BP神经网络设计
• 5.4 基于粗糙神经网络模型的种分附聚效率预测
• 5.5 神经网络模型与粗糙—神经网络模型的结果比较分析
• 第六章 总结和展望
• 6.1 本论文的研究工作总结
• 6.2 进一步的研究工作
• 参考文献
• 致谢
• 攻读硕士期间主要的研究成果