数据挖掘技术在陶瓷原料分类及古陶瓷断源断代分析中的应用研究
发布时间：2020-11-07 15:55
陶瓷发展史是中华文明史的一个重要组成部分,其所蕴含的历史及社会价值是无法估量的。现今,随着陶瓷行业的快速发展,对陶瓷原料分类及古陶瓷断源断代研究,已成为陶瓷领域研究的热点之一。就传统的陶瓷原料分类方法和鉴定方法而言,陶瓷原料分类及古陶瓷断源断代研究多集中于常用的两种方法:一种是传统的手工鉴定方法,也即通过目测手摸等方法区分古陶瓷的年代及陶瓷类别;另一种是基于某种科技手段,通过提取出陶瓷表面的化学成分(如釉的成分)来识别出陶瓷所属时期及类别。上述两种方法各有优缺点,很多时候结合使用并应用于相关研究工作中,以弥补两种方法的不足之处。此外,考虑到陶瓷原料以及古陶瓷化学成分的种类繁多、结构复杂、成分多样,传统化学实验分析的精确度低、耗时耗力,人们已经开始使用许多新的科技手段,来提高陶瓷原料分类及古陶瓷断源断代分类效果。当前,数据挖掘方法应用于陶瓷领域的相关研究工作,已经取得不少新颖的研究成果。如人工神经网络﹑进化计算等均已在陶瓷原料分类及古陶瓷断源断代研究中实现了较好的预测结果。基于众多学者的前期研究工作,作者在深入分析研究数据挖掘类相关类方法的基础上,通过对提取的陶瓷原料和古陶瓷的化学组成成分进行数据分析,寻找它们之间存在的联系和规律,将神经网络﹑遗传优化算法﹑支持向量机﹑随机森林这四种算法应用于陶瓷原料分类和古陶瓷断源断代分类。本文第三章,通过BP神经网络算法建立模型对陶瓷原料进行分类,第四章通过建立遗传算法优化BP神经网络的模型来对陶瓷原料进行分类,实验结果显示GA-BP的分类精度和准确率明显高于BP神经网络模型。第五章、第六章运用支持向量机和随机森林两种算法对古陶瓷进行断源断代分类,实验结果表明随机森林的预测精度要高于支持向量机。虽然,实验预测结果离理想的分类效果还有一定的差距,但作为数据挖掘方法在陶瓷原料分类和古陶瓷断源断代分类中应用实践,本文旨在为更多后继研究者提供一种理论及实践中的科学指导作用,从而丰富数据挖掘方法在陶瓷领域中的研究工作,并进一步弥补传统分类方法中存在的不足之处。
【学位单位】：景德镇陶瓷大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：K876.3;TP311.13
【部分图文】：
图 3-1 BP 神经网络训练步数和误差的关系曲线Fig. 3-1 Relation curve of BP’s training epochs and M经网络实验结果与分析果如图 3-2 所示：hrough 101.0000 1.0000 0.9980 1.0000 1.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 1.0000 1.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 through 200.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 1.0000
的选择取第二章BP神经网络使用的四种类别的30种陶瓷原料P 神经网络训练数据是选用编号为 1-20 号的这 20 组陶络测试数据是运用编号为 21-30 号这 10 组陶瓷原料通过建立基于遗传算法优化 BP 神经网络，即 GA-BP优化 BP 神经网络模型设计国谢菲尔德大学开发的遗传算法工具箱对 BP 神经网络的最优权值和阈值赋予 BP 神经网络进行学习和训练。络结构（输入层、隐含层、输出层）。神经网络的输入别是：SiO2、Al2O3、Fe2O3、CaO、MgO、K2O、Na2O为 9。对于神经网络的隐含层，运用试探法对隐含层节隐含层节点个数为 23。神经网络的输出层为各陶瓷原料Ⅱ、Ⅲ、Ⅳ，4 个类别，所以输出层节点数为 4。
位论文 第4章 一种基于遗传算法优化BP神经网算法部分的参数设置为：个体数 N=60， MAXGEN 最进制位数为 10， GGAP 代沟为 0.95， px交叉概率为设置好的参数初始值，进行编码、生成种群、评价检用遗传算法对神经网络的优化所获取的最优权值和阀且得到模型的预测值。优化 BP 神经网络模型实验预测结果训练步数和误差的关系曲线如图 4-3 所示，GA-BP 4 所示。
【参考文献】
本文编号：2874160
【学位单位】：景德镇陶瓷大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：K876.3;TP311.13
【部分图文】：
图 3-1 BP 神经网络训练步数和误差的关系曲线Fig. 3-1 Relation curve of BP’s training epochs and M经网络实验结果与分析果如图 3-2 所示：hrough 101.0000 1.0000 0.9980 1.0000 1.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 1.0000 1.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 through 200.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 1.0000
的选择取第二章BP神经网络使用的四种类别的30种陶瓷原料P 神经网络训练数据是选用编号为 1-20 号的这 20 组陶络测试数据是运用编号为 21-30 号这 10 组陶瓷原料通过建立基于遗传算法优化 BP 神经网络，即 GA-BP优化 BP 神经网络模型设计国谢菲尔德大学开发的遗传算法工具箱对 BP 神经网络的最优权值和阈值赋予 BP 神经网络进行学习和训练。络结构（输入层、隐含层、输出层）。神经网络的输入别是：SiO2、Al2O3、Fe2O3、CaO、MgO、K2O、Na2O为 9。对于神经网络的隐含层，运用试探法对隐含层节隐含层节点个数为 23。神经网络的输出层为各陶瓷原料Ⅱ、Ⅲ、Ⅳ，4 个类别，所以输出层节点数为 4。
位论文 第4章 一种基于遗传算法优化BP神经网算法部分的参数设置为：个体数 N=60， MAXGEN 最进制位数为 10， GGAP 代沟为 0.95， px交叉概率为设置好的参数初始值，进行编码、生成种群、评价检用遗传算法对神经网络的优化所获取的最优权值和阀且得到模型的预测值。优化 BP 神经网络模型实验预测结果训练步数和误差的关系曲线如图 4-3 所示，GA-BP 4 所示。
【参考文献】
相关期刊论文 前10条
1 杨秀萍;;大数据下关联规则算法的改进及应用[J];计算机与现代化;2014年12期
2 吴隽;尹丽;张茂林;吴军明;李其江;;人工神经网络与多元统计判别分析在古陶瓷断源断代中的对比研究[J];陶瓷学报;2014年04期
3 刘陶;简志宏;林卫中;肖绚;;灰色理论在古陶瓷断代中的应用[J];计算机工程;2010年11期
4 思明;;热释光与古陶瓷传统断代方法的优劣比较[J];收藏;2010年05期
5 秦祎晗;柳炳祥;彭文;;一种基于粗糙集神经网络的陶瓷原料分类方法[J];陶瓷学报;2010年01期
6 汤文菊;周勇;;基于决策树学习的陶瓷原料的判别方法[J];办公自动化;2009年22期
7 陆强;柳炳祥;;一种基于粗糙集的陶瓷原料分类方法[J];中国陶瓷;2007年05期
8 李玉平,刘付胜聪,胡鹏飞;陶瓷原料分类的人工神经网络模型[J];硅酸盐通报;2003年06期
9 张浩然;韩正之;李昌刚;;支持向量机[J];计算机科学;2002年12期
10 何金国,石青云;一种新的聚类分析算法[J];中国图象图形学报;2000年05期
本文编号：2874160
本文链接：https://www.wllwen.com/shekelunwen/kgx/2874160.html
