数据挖掘技术在化工产品配方优化中的应用

论文摘要

本文针对化工工业中所采集的数据特点,对数据挖掘技术在化工产品配方优化设计中的应用进行了研究。通过研究,对数据预处理阶段的空缺值填充、噪声数据的识别和修正、主要成分分析技术进行归纳验证;利用模拟的复杂多元非线性函数,对多种BP 神经网络的改进算法进行分析比较,对影响神经网络预测精度的主要因素进行分析;在上述工作的基础上,改进传统的遗传神经网络算法,实现对BP 神经网络结构的自动搜索。最后,提出遗传神经网络技术在配方优化设计中的实际应用方式。

论文目录

• 中文摘要
• ABSTRACT
• 第一章 课题研究的背景及意义
• 1.1 数据挖掘技术综述
• 1.2 数据挖掘技术在化工领域的应用概况
• 1.3 本课题研究的意义和内容
• 1.3.1 本课题研究的意义
• 1.3.2 研究的主要工作内容
• 第二章 数据预处理
• 2.1 基本理论
• 2.1.1 数据清理
• 2.1.2 数据集成与转换
• 2.1.3 数据化简和归约
• 2.2 化工数据的特点及处理方法
• 2.2.1 化工数据的特点
• 2.2.2 数据预处理的主要方法
• 2.2.2.1 缺失数据处理
• 2.2.2.2 噪声数据处理
• 2.2.2.3 样本数较少的问题的解决
• 2.3 数据预处理的实现
• 第三章 BP 算法及其改进研究
• 3.1 人工神经网络基本理论
• 3.1.1 BP 神经网络
• 3.1.2 BP 网络结构
• 3.1.3 BP 算法中的数学公式描述
• 3.1.4 BP 算法的学习过程
• 3.1.5 BP 神经网络结构的确定原则
• 3.2 BP神经网络的主要缺点和改进方法
• 3.2.1 BP 神经网络的主要缺点
• 3.2.2 现有的主要BP 算法的改进方案及其比较
• 3.2.2.1 综述
• 3.2.2.2 准备工作
• 3.2.2.3 验证工作说明
• 3.2.2.4 修改神经网络的参数的改进方案
• 3.2.2.5 基于数值优化方法的网络训练算法
• 3.2.3 主要改进方案的性能比较
• 3.3 网络结构的影响
• 3.3.1 验证方式
• 3.3.2 结果分析
• 第四章 神经网络与遗传算法的结合
• 4.1 遗传算法基本理论
• 4.1.1 综述
• 4.1.1.1 参数编码
• 4.1.1.2 初始群体的设定
• 4.1.1.3 适应度函数计算
• 4.1.1.4 主要遗传操作
• 4.1.1.5 收敛的设定
• 4.2 BP神经网络与遗传算法的结合
• 4.2.1 遗传算法与人工神经网络的结合方式
• 4.2.2 主要问题分析
• 4.2.2.1 编码方式的分析
• 4.2.2.2 适应度函数的分析
• 4.2.2.3 其它重要参数
• 4.3 多物种进化遗传算法
• 4.3.1 SEGA 简介
• 4.3.2 SEGA 在本文中的应用
• 第五章 遗传神经网络的实现
• 5.1 MATLAB软件简介
• 5.2 遗传—神经网络算法
• 5.2.1 遗传因子的组成
• 5.2.2 个体适应值及其比例变换
• 5.2.3 算法描述
• 5.2.4 遗传神经网络的实现
• 5.3 结果分析
• 5.3.1 回归分析和相关性分析方法
• 5.3.2 模型结果分析
• 5.3.2.1 脂肪酸模型
• 5.3.2.2 感光材料模型
• 5.4 遗传神经网络的实际应用方式
• 5.4.1 配比方案优化问题的分析
• 5.4.2 解决配比方案优化问题的流程
• 第六章 总结
• 参考文献
• 致谢
• 在学期间发表的学术论文和参加科研情况