大数据规律挖掘理论及在配煤炼焦中的应用
发布时间：2021-08-05 09:14
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...
【文章来源】：华北理工大学河北省
【文章页数】：75 页
【学位级别】：硕士
【部分图文】：
配煤炼焦过程图
第 3 章 数据清洗理论及案例分析第 3 章 数据清洗理论及案例分析3.1 数据清洗基本理论及方法通过分析“脏数据”的形成原因和表现形式，利用现有的技术或方法来清洁“脏数据”，使之转化成可以满足应用需求和数据质量的数据集，这就是数据清洗的基本原理[43]。数据清洗主要采取的是对数据资料来源分析的方式，具体地步骤是：从“脏数据”中分析产生来源，研究或检验每个过程生成的数据集，提取数据清洗的规则和策略，并将这些规则和策略应用于数据集以发现并清洁“脏数据”[44]。图 2 显示了数据清洗的基本原理。
- 15 -图 3 数据清洗流程框架Fig.3 Data cleaning process frameworks.3 数据清洗案例分析工业工程及现实生活中的各类实验数据都有其具体地产生背景，本节以工业中配煤炼焦领域的实验数据为研究对象，阐述实验数据的收集整合、数据清洗体流程，最终将繁杂难提取有效价值的非清洁数据修正为清洁数据。.3.1 配煤炼焦数据的收集与整合根据唐山市某炼焦厂 2014 年度和 2015 年度小焦炉实验产生的数据，经过人总整理产生了本文的原始数据源，其中该焦化厂在 2014 年度共进行小焦炉实28 次，在 2015 年度共进行小焦炉实验 115 次。每次实验数据原始记录见表 3。
【参考文献】：
期刊论文
[1]大数据的数据清洗方法研究[J]. 谭晖,廖振松,周小翠,贺凡. 信息通信. 2017(01)
[2]大数据的特点及未来发展趋势[J]. 郭丽娟. 信息通信. 2014(10)
[3]基于RBF神经网络的黄金价格非线性预测[J]. 张延利. 黄金. 2014(09)
[4]焦化行业现状存在的不足及政策建议[J]. 曹翠,张峰. 考试周刊. 2014(51)
[5]大数据环境下嵌入科研过程的信息服务模式研究[J]. 邓仲华,李立睿,陆颖隽. 图书与情报. 2014(01)
[6]“数据科学与大数据的科学原理及发展前景”——香山科学会议第462次学术讨论会专家发言摘登香山科学会议第次学术讨论会专家发言摘登[J]. 徐宗本,张维,刘雷,郭崇慧,于剑,池明旻,朱扬勇. 科技促进发展. 2014(01)
[7]大数据应用的现状与展望[J]. 张引,陈敏,廖小飞. 计算机研究与发展. 2013(S2)
[8]数据质量及数据清洗方法[J]. 宋金玉,陈爽,郭大鹏,王内蒙. 指挥信息系统与技术. 2013(05)
[9]大数据环境下面向知识服务的数据清洗研究[J]. 蒋勋,刘喜文. 图书与情报. 2013(05)
[10]构建数据仓库过程中的数据清洗研究[J]. 刘喜文,郑昌兴,王文龙,汤刚强. 图书与情报. 2013(05)
博士论文
[1]劣质煤配煤制备高质量冶金焦的研究[D]. 白永建.中国矿业大学（北京） 2013
硕士论文
[1]配煤炼焦试验优化与神经网络焦炭质量预测模型的研究[D]. 田英奇.华东理工大学 2016
[2]基于神经网络的数据挖掘分类算法比较和分析研究[D]. 常凯.安徽大学 2014
[3]配煤技术在提高冶金焦性能及控制焦炭成本中的应用[D]. 陶培生.华东理工大学 2014
[4]基于神经网络的智能算法在焦炭质量预测中的应用[D]. 黄永辉.沈阳理工大学 2014
[5]基于神经网络在炼焦配煤过程中的应用与研究[D]. 宫春晖.沈阳理工大学 2013
[6]捣固炼焦与常规炼焦及其焦炭对比研究[D]. 王慧.武汉科技大学 2009
[7]非炼焦煤配煤炼焦的试验研究[D]. 解元承.贵州大学 2009
[8]构件化数据清洗框架的研究与实现[D]. 李智.东北大学 2008
[9]炼焦配煤智能优化模型及其应用研究[D]. 邓俊.中南大学 2007
[10]基于数据仓库的数据清洗技术研究[D]. 杨宏娜.河北工业大学 2006
本文编号：3323487
【文章来源】：华北理工大学河北省
【文章页数】：75 页
【学位级别】：硕士
【部分图文】：
配煤炼焦过程图
第 3 章 数据清洗理论及案例分析第 3 章 数据清洗理论及案例分析3.1 数据清洗基本理论及方法通过分析“脏数据”的形成原因和表现形式，利用现有的技术或方法来清洁“脏数据”，使之转化成可以满足应用需求和数据质量的数据集，这就是数据清洗的基本原理[43]。数据清洗主要采取的是对数据资料来源分析的方式，具体地步骤是：从“脏数据”中分析产生来源，研究或检验每个过程生成的数据集，提取数据清洗的规则和策略，并将这些规则和策略应用于数据集以发现并清洁“脏数据”[44]。图 2 显示了数据清洗的基本原理。
- 15 -图 3 数据清洗流程框架Fig.3 Data cleaning process frameworks.3 数据清洗案例分析工业工程及现实生活中的各类实验数据都有其具体地产生背景，本节以工业中配煤炼焦领域的实验数据为研究对象，阐述实验数据的收集整合、数据清洗体流程，最终将繁杂难提取有效价值的非清洁数据修正为清洁数据。.3.1 配煤炼焦数据的收集与整合根据唐山市某炼焦厂 2014 年度和 2015 年度小焦炉实验产生的数据，经过人总整理产生了本文的原始数据源，其中该焦化厂在 2014 年度共进行小焦炉实28 次，在 2015 年度共进行小焦炉实验 115 次。每次实验数据原始记录见表 3。
【参考文献】：
期刊论文
[1]大数据的数据清洗方法研究[J]. 谭晖,廖振松,周小翠,贺凡. 信息通信. 2017(01)
[2]大数据的特点及未来发展趋势[J]. 郭丽娟. 信息通信. 2014(10)
[3]基于RBF神经网络的黄金价格非线性预测[J]. 张延利. 黄金. 2014(09)
[4]焦化行业现状存在的不足及政策建议[J]. 曹翠,张峰. 考试周刊. 2014(51)
[5]大数据环境下嵌入科研过程的信息服务模式研究[J]. 邓仲华,李立睿,陆颖隽. 图书与情报. 2014(01)
[6]“数据科学与大数据的科学原理及发展前景”——香山科学会议第462次学术讨论会专家发言摘登香山科学会议第次学术讨论会专家发言摘登[J]. 徐宗本,张维,刘雷,郭崇慧,于剑,池明旻,朱扬勇. 科技促进发展. 2014(01)
[7]大数据应用的现状与展望[J]. 张引,陈敏,廖小飞. 计算机研究与发展. 2013(S2)
[8]数据质量及数据清洗方法[J]. 宋金玉,陈爽,郭大鹏,王内蒙. 指挥信息系统与技术. 2013(05)
[9]大数据环境下面向知识服务的数据清洗研究[J]. 蒋勋,刘喜文. 图书与情报. 2013(05)
[10]构建数据仓库过程中的数据清洗研究[J]. 刘喜文,郑昌兴,王文龙,汤刚强. 图书与情报. 2013(05)
博士论文
[1]劣质煤配煤制备高质量冶金焦的研究[D]. 白永建.中国矿业大学（北京） 2013
硕士论文
[1]配煤炼焦试验优化与神经网络焦炭质量预测模型的研究[D]. 田英奇.华东理工大学 2016
[2]基于神经网络的数据挖掘分类算法比较和分析研究[D]. 常凯.安徽大学 2014
[3]配煤技术在提高冶金焦性能及控制焦炭成本中的应用[D]. 陶培生.华东理工大学 2014
[4]基于神经网络的智能算法在焦炭质量预测中的应用[D]. 黄永辉.沈阳理工大学 2014
[5]基于神经网络在炼焦配煤过程中的应用与研究[D]. 宫春晖.沈阳理工大学 2013
[6]捣固炼焦与常规炼焦及其焦炭对比研究[D]. 王慧.武汉科技大学 2009
[7]非炼焦煤配煤炼焦的试验研究[D]. 解元承.贵州大学 2009
[8]构件化数据清洗框架的研究与实现[D]. 李智.东北大学 2008
[9]炼焦配煤智能优化模型及其应用研究[D]. 邓俊.中南大学 2007
[10]基于数据仓库的数据清洗技术研究[D]. 杨宏娜.河北工业大学 2006
本文编号：3323487
本文链接：https://www.wllwen.com/projectlw/hxgylw/3323487.html
最近更新
教材专著
