数据挖掘技术在化工产品配方优化中的应用

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
  • 相关论文文献

    • [1].数据挖掘技术在网络营销中的应用构架实践[J]. 营销界 2019(19)
    • [2].数据挖掘技术综述浅析[J]. 数字技术与应用 2019(10)
    • [3].基于云计算的数据挖掘技术研究[J]. 无线互联科技 2019(22)
    • [4].数据挖掘技术在录井原油性质判别中的应用[J]. 录井工程 2019(04)
    • [5].大数据挖掘技术在高职教育教学过程中的应用研究[J]. 计算机产品与流通 2020(01)
    • [6].基于大数据背景的数据挖掘技术算法研究[J]. 信息技术与信息化 2019(12)
    • [7].基于云计算技术视角的大数据挖掘技术分析[J]. 数字技术与应用 2019(11)
    • [8].基于数据挖掘技术的“肥仔水”市场潜力分析——以八爪鱼为例[J]. 电脑知识与技术 2019(34)
    • [9].数据挖掘技术在互联网领域的应用研究[J]. 电脑知识与技术 2019(36)
    • [10].数据挖掘技术在数据统计工作中的应用分析[J]. 中外企业家 2020(05)
    • [11].基于数据挖掘技术的荨麻疹治疗研究综述[J]. 科技与创新 2020(04)
    • [12].基于数据挖掘技术的创新设计思维研究[J]. 设计 2020(03)
    • [13].数据挖掘技术在中医肝系病中的应用现状[J]. 江西中医药大学学报 2020(01)
    • [14].数据挖掘技术在中医辨证施治中的应用[J]. 教育教学论坛 2020(03)
    • [15].数据挖掘技术在军队预算管理中的应用探析[J]. 财务与会计 2019(19)
    • [16].云计算背景下物联网数据挖掘技术分析与实验验证[J]. 数字通信世界 2020(02)
    • [17].数据挖掘技术在经济统计中的应用研究[J]. 中国市场 2020(08)
    • [18].基于数据挖掘技术的学情分析系统分析与设计[J]. 电脑编程技巧与维护 2020(01)
    • [19].数据挖掘技术及其分析方法在大通水文站降水规律分析中的应用[J]. 科学技术创新 2020(03)
    • [20].数据挖掘在油田开采中的应用方法分析[J]. 门窗 2019(18)
    • [21].电网故障信息数据挖掘技术的分析[J]. 科技创新导报 2019(33)
    • [22].基于数据挖掘技术的高职院校财务管理风险管控研究[J]. 河北建筑工程学院学报 2019(03)
    • [23].数据挖掘技术支持下的妇幼保健院档案整合策略[J]. 黑龙江档案 2020(01)
    • [24].基于数据挖掘技术的高校人才培养模式评价与优化[J]. 大连民族大学学报 2020(01)
    • [25].探究计算机数据挖掘技术的开发及其应用[J]. 计算机产品与流通 2020(03)
    • [26].数据挖掘技术在经济统计中的应用研究[J]. 现代商业 2020(05)
    • [27].数据挖掘技术在软件工程中的应用[J]. 信息通信 2020(02)
    • [28].管理会计中数据挖掘技术的应用研究[J]. 信息记录材料 2020(01)
    • [29].基于数据挖掘技术的图书馆个性化系统设计[J]. 长春师范大学学报 2020(04)
    • [30].数据挖掘技术在教育信息中的应用探索[J]. 信息通信 2020(03)

    标签:;  ;  ;  ;  ;  

    数据挖掘技术在化工产品配方优化中的应用
    下载Doc文档

    猜你喜欢