大数据规律挖掘理论及在配煤炼焦中的应用

《大数据规律挖掘理论及在配煤炼焦中的应用》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、中图分类号：O29论文编号：2017319015UDC：密级：公开硕士学位论文大数据规律挖掘理论及在配煤炼焦中的应用作者姓名：吴宇航学科名称：数学研究方向：云计算理论及应用学习单位：华北理工大学学制：2.5年提交日期：2017年12月4日申请学位类别：理学硕士导师姓名：阎少宏副教授单位：华北理工大学理学院陈学斌教授单位：华北理工大学理学院论文评阅人：匿名单位：匿名单位：论文答辩日期：2018年1月18日答辩委员会主席：王晓敏教授关键词：规律挖掘；数据清洗；级联前向网络；领域知识；交叉验证唐山华北理工大学201

2、8年3月TheoryofBigDataLawMiningandItsApplicationinCoalBlendingforCokingDissertationSubmittedtoNorthChinaUniversityofScienceandTechnologyinpartialfulfillmentoftherequirementforthedegreeofMasterofSciencebyWuYuhang(Mathematics)YanShaohongSupervisor:ProfessorChenX

3、uebinMarch,2018独创性说明本人郑重声明：所呈交的论文是我个人在导师指导下进行的研究工作及取得的研究成果。尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写的研究成果，也不包含为获得华北理工大学以外其他教育机构的学位或证书所使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中做了明确的说明并表示了谢意。论文作者签名：日期：2018年3月6日关于论文使用授权的说明本人完全了解华北理工大学有关保留、使用学位论文的规定，即：已获学位的研究生必须按学校规定提交学位

4、论文，学校有权保留、送交论文的复印件，允许论文被查阅和借阅；学校可以将学位论文的全部或部分内容采用影印、缩印或编入有关数据库进行公开、检索和交流。作者和导师同意论文公开及网上交流的时间：☑自授予学位之日起□自年月日起作者签名：导师签名：签字日期：2018年3月6日签字日期：2018年3月6日摘要摘要针对工业配煤炼焦领域大量实验数据难整合分析、难提取有效价值等缺点，结合当前研究热点，以各类神经网络模型为研究基础，充分利用各类神经网络及改进后的网络进行高效准确的结果预测，进而提高算法的实用效率，节省工业实验的时间

5、和生产成本，为配煤炼焦领域的工业生产提供集数据清洗、数据分析、质量预测于一体的基于神经网络的焦炭质量预测模型。主要研究内容包括：首先，为了更好地对实验数据进行分析，研究各类神经网络算法理论及可改进方面，并在大数据环境下研讨配煤炼焦领域数据的收集整合、数据清洗的方法和流程，给出配煤炼焦数据清洗实例。第二，为了达到准确地对实验数据进行分析处理，在原有BP神经网络模型的基础之上提出了基于交叉验证的级联BP神经网络焦炭质量预测模型。运用交叉验证的级联思想，根据混合煤煤质参数预测焦炭质量参数，不同层间的前后反馈式互连结

6、构保证了判决的准确性及对错误神经元的包容性，总体预测误差基本控制在5%以内，精度较高，效果较好。第三，为了加速逼近搜索，提高焦炭质量预测效果，针对计算复杂度与训练误差性能，设计了基于Sigmoid函数敏感区的正则化网络训练方法，其目的是为了删除对性能影响极小并可能导致过拟合的权值；同时分别建立BP神经网络、交叉验证的级联BP神经网络和RBF神经网络的焦炭质量预测模型，并对其预测效果进行对比分析。最后，为了改善纯数据驱动机制下焦炭质量预测结果可信度不高的局面，将配煤炼焦的内在因果关系分级化描述，根据已知领域知识

7、创建初始网络结构，然后利用级联神经网络对初始网络进行训练以更好地完善结构。经实验仿真发现，引入级联连接的基于领域知识表征方法的网络结构在预测焦炭指标St,d、M10和CRI时的平均误差控制均在5%以内，明显优于传统网络结构的预测结果。图26幅；表19个；参57篇。关键词：规律挖掘；数据清洗；级联前向网络；领域知识；交叉验证分类号：O29-I-华北理工大学硕士学位论文AbstractForweaknessessuchasdifficultintegrationanalysisanddifficultextrac

8、tionofeffectivevaluesformassiveexperimentaldataintheindustrialblendedcoalcokingfield,thispapercombinescurrentresearchhotspotsandpredictsresultsinanefficientandaccuratemannerbyusingdifferentneuralnetwor