数据挖掘算法在建筑陶瓷缺陷分析中的应用与研究

论文摘要

改革开放以来,我国建筑陶瓷工业随着全球经济复苏得到迅猛发展同时,并存着建筑陶瓷原料过度开采、建筑陶瓷废料的回收再利用率低;导致行业利润不高,产品缺陷众多及产品低质化严重等一系列问题,严重阻碍了我国建筑陶瓷行业的可持续发展。建筑陶瓷产品低质及缺陷等问题,使得我国建筑陶瓷产品在国际市场售价不高,利润低下,国际市场竞争力不强;为提升我国建筑陶瓷产品的竞争力,必须提高产品档次、降低建筑陶瓷生产成本、调整产品结构、重视技术与产品创新。为提高建筑陶瓷产品质量,减少建筑陶瓷产品缺陷,论文应用数据挖掘理论,对建筑陶瓷原料及建筑陶瓷产品缺陷进行分析和研究,探讨建筑陶瓷原料的类型,分析建筑陶瓷产品的缺陷与建筑陶瓷原料之间的关系,为提高建筑陶瓷原料的利用率、减少建筑陶瓷缺陷提供理论依据及指导。鉴于建筑陶瓷产品质量影响因素的特点及数据挖掘的优点,论文采用数据挖掘中的粗糙集、决策树、BP神经网络对建筑陶瓷原料和建筑陶瓷产品缺陷进行分析和研究。首先,论文简单介绍这三种理论,并结合事例进行说明;其次,对这三种理论中存在的缺陷进行了分析,并做出了相应的改进;最后,应用这三种理论对建筑陶瓷原料进行分类,对建筑陶瓷缺陷及实验结果进行分析。论文提出加权平均属性约简算法,该算法克服了经典粗糙集属性依赖度约简算法显得过于“粗糙”而经典的属性信息量的属性重要度约简算法又会忽略知识粒度的缺点;并将加权平均属性约简算法应用于建筑陶瓷原料及缺陷数据的属性约简,去除数据中冗余的噪声信息;针对经典ID3算法生成决策树的过程中偏向于取值较多的属性进行分裂,导致生成的决策树预测结果与实际误差较大,提出了相应的算法改进,并将改进的ID3算法应用于建筑陶瓷原料的分类;传统BP神经网络容易受所接受样本的顺序影响,样本不同的顺序对最终的训练结果有较强的影响,往往会引起精度及训练抖动等问题,且收敛速度相对较慢,导致BP神经网络的稳定性差及效率低等问题,论文针对传统BP神经网络的这个缺点提出对样本空间中的不同个体根据其训练误差的大小进行不同次数的反复训练,对于误差比较大的个体适当地增加其学习的次数。粗糙集决策树模型应用于建筑陶瓷原料的分类,该模型去除了冗余的噪声数据,简化了决策树的运算,提高了其运算速度及整个模型的分类能力;粗糙集神经网络模型应用于建筑陶瓷缺陷的分析,它不仅剔除了冗余的噪声数据,还简化了神经网络的输入端,提高了神经网络的运算速度及准确率,提升了整个神经网络的性能。实验研究表明,粗糙集决策树模型对建筑陶瓷原料的分类是可行的,科学的;粗糙集神经网络模型应用于建筑陶瓷缺陷分析是可行的,合理的,并且取得了良好的缺陷分析结果。

论文目录

• 摘要
• Abstract
• 1 引言
• 1.1 课题的研究背景
• 1.2 国内外研究现状及趋势
• 1.2.1 建筑陶瓷产业国内外发展现状
• 1.2.2 数据挖掘国内外现状及趋势
• 1.2.3 数据挖掘在建筑陶瓷行业发展中的现状及趋势
• 1.3 课题来源和研究的意义
• 1.4 论文的创新点以及组织结构
• 1.5 本章小结
• 2 相关理论分析
• 2.1 粗糙集理论
• 2.1.1 粗糙集的发展及粗糙集概述
• 2.1.2 粗糙集理论的特点及其应用
• 2.1.3 粗糙集的知识与分类
• 2.1.4 粗糙集的基本定义及其性质
• 2.2 决策树
• 2.2.1 决策树的分类思想
• 2.2.2 决策树的特点
• 2.3 人工神经网络
• 2.3.1 人工神经网络概述
• 2.3.2 人工神经网络模型
• 2.3.3 标准 BP 神经网络算法
• 2.4 本章小结
• 3 粗糙集决策树融合模型在建筑陶瓷原料分类中的应用与研究
• 3.1 算法改进
• 3.1.1 属性重要度约简基本概念及性质
• 3.1.2 属性信息量
• 3.1.3 属性重要度算法改进
• 3.1.4 决策树算法及改进
• 3.2 粗糙集决策树融合模型
• 3.3 粗糙集决策树在建筑陶瓷原料分类中的应用与研究
• 3.4 本章小结
• 4 粗糙集-BP 网络在建筑陶瓷缺陷分析中的应用与研究
• 4.1 BP 神经网络改进
• 4.2 粗糙集BP 网络模型
• 4.3 粗糙集BP 神经网络在建筑陶瓷缺陷分析中的应用与研究
• 4.4 本章小结
• 5 结论与展望
• 5.1 课题研究的主要工作
• 5.2 取得的成果
• 5.3 存在的不足
• 致谢
• 参考文献