數(shù)據(jù)挖掘在冶金產(chǎn)品質量控制中的應用

第一章 引論
  1.1 數(shù)據(jù)挖掘技術及其研究現(xiàn)狀
    1.1.1 知識獲取與數(shù)據(jù)挖掘技術
    1.1.2 數(shù)據(jù)挖掘研究與應用的現(xiàn)狀
  1.2 數(shù)據(jù)挖掘的對象
    1.2.1 數(shù)據(jù)庫
    1.2.2 數(shù)據(jù)倉庫
    1.2.3 文本
    1.2.4 Web信息
    1.2.5 空間數(shù)據(jù)
  1.3 數(shù)據(jù)挖掘的主要技術
  1.4 數(shù)據(jù)挖掘過程及結果解釋
  1.5 數(shù)據(jù)挖掘建模設計方案
    1.5.1 通用的數(shù)據(jù)挖掘框架
    1.5.2 建模設計方案的基本框架
    1.5.3 方案實施的系統(tǒng)環(huán)境
  1.6 冶金產(chǎn)品質量控制問題分析
  1.7 本書的主要工作
第二章 冶金產(chǎn)品質量數(shù)據(jù)集市的構建
  2.1 數(shù)據(jù)倉庫和數(shù)據(jù)集市
    2.1.1 數(shù)據(jù)倉庫概述
    2.1.2 數(shù)據(jù)集市
  2.2 熱軋產(chǎn)品質量數(shù)據(jù)集市的建立
    2.2.1 熱軋數(shù)據(jù)的現(xiàn)狀
    2.2.2 熱軋數(shù)據(jù)集市的實現(xiàn)
  2.3 數(shù)據(jù)預處理
  2.4 確定建模數(shù)據(jù)的輸入輸出變量
  2.5 建模數(shù)據(jù)的篩選與歸一化
    2.5.1 建模數(shù)據(jù)的篩選
    2.5.2 建模數(shù)據(jù)的歸一化
  2.6 小結
第三章 人工神經(jīng)網(wǎng)絡特征分析
  3.1 人工神經(jīng)網(wǎng)絡概述
    3.1.1 神經(jīng)網(wǎng)絡的結構及設計方法
    3.1.2 神經(jīng)網(wǎng)絡的學習方法
    3.1.3 基本人工神經(jīng)元模型
  3.2 感知器模型及算法研究
  3.3 多層前向神經(jīng)網(wǎng)絡的誤差反向傳播（BP）算法
    3.3.1 BP神經(jīng)網(wǎng)絡學習方法分析
    3.3.2 BP神經(jīng)網(wǎng)絡學習方法的幾種改進
    3.3.3 影響B(tài)P神經(jīng)網(wǎng)絡建模的其他因素
  3.4 RBF神經(jīng)網(wǎng)絡算法
    3.4.1 RBF神經(jīng)網(wǎng)絡結構
    3.4.2 RBF網(wǎng)絡的算法分析
第四章 基于神經(jīng)網(wǎng)絡的產(chǎn)品質量模型
  4.1 逐漸擴大訓練樣本的BP神經(jīng)網(wǎng)絡質量模型
    4.1.1 基于數(shù)據(jù)集F的BP神經(jīng)網(wǎng)絡模型
    4.1.2 對三類綱的模型測試
    4.1.3 輸出變量為ys_rel,ys_rml的質量模型
  4.2 二階段混合算法的BKP神經(jīng)網(wǎng)絡模型
    4.2.1 二階段混合算法
    4.2.2 實例
  4.3 高維多輸入層神經(jīng)網(wǎng)絡質量模型
    4.3.1 引言
    4.3.2 高維多輸入層神經(jīng)網(wǎng)絡的結構
    4.3.3 高維多輸入層神經(jīng)網(wǎng)絡的學習算法
    4.3.4 實例
    4.3.5 結論
  4.4 RBF神經(jīng)網(wǎng)絡產(chǎn)品質量模型
    4.4.1 引言
    4.4.2 高維RBF神經(jīng)網(wǎng)絡質量模型的建立
  4.5 兩種改進結構的RBF神經(jīng)網(wǎng)絡產(chǎn)品質量模型
    4.5.1 分布式RBF網(wǎng)絡在1580熱聯(lián)軋機控制中的應用
    4.5.2 重疊式RBF網(wǎng)絡在1580熱聯(lián)軋機控制中的應用
  4.6 基于具體數(shù)據(jù)集的BP神經(jīng)網(wǎng)絡結構研究
  4.7 小結
第五章 基于模糊神經(jīng)網(wǎng)絡的產(chǎn)品質量模型
第六章 基于多種模型的新產(chǎn)品新工藝設計
第七章 基于模糊神經(jīng)網(wǎng)絡的SAS應用軟件
第八章 結束語
參考文獻