一、基于模糊系统和遗传算法的数据挖掘技术的研究（论文文献综述）
姜珍妮[1]（2021）在《基于耦合DNA-GA-P系统的聚类分析研究》文中认为依据生物体中细胞器和细胞膜的工作原理,P系统可按照极大并行模式运行,其计算能力等价于图灵机,当前已经被学者们用于处理数据挖掘问题。DNA遗传算法（DNA Genetic Algorithm,简称DNA-GA）模拟生物的遗传信息表达机制,该类信息表达过程同样发生在真核生物的细胞中,所以本文我们将P系统与DNA遗传算法进行有效耦合,既可以保留P系统的分布式并行计算能力又可以融合DNA遗传算法丰富的对象表达机制和基因级操作,可以扩展P系统计算模型的对象及规则表达方式,为现有的P系统提供新的动态演化模式,进一步拓宽P系统能处理的问题。在移动数据爆炸式增长的今天,传统的数据处理方式已经不能满足海量数据处理的需求,数据挖掘由此而生,其中聚类分析是数据挖掘领域的一项重要研究内容,作为一种可以处理数据并从数据中提取可用知识的有效手段,其重要性在模式挖掘、图像处理等领域得到广泛认可。但当前的聚类方法自身都存在一些不足之处,我们除了可以改进算法本身外,还可以借助其他优化方法对聚类方法做进一步优化。因此可以在聚类方法中结合新的优化算法,融入新的计算模型,以便进一步优化聚类效果。新方法和新模型的研究是数据挖掘领域的重要课题。本文的主要研究内容如下:（1）构建耦合DNA-GA-P系统基于P系统以及DNA遗传算法的生物学知识,构建新型的耦合DNA-GA-P系统。同时基于耦合DNA-GA-P系统,提出四种扩展的耦合DNA-GA-P系统,分别是:具有定向交流与概率进化规则的耦合DNA-GA类细胞P系统,具有膜分裂/膜溶解规则的耦合DNA-GA类组织P系统,基于链式拓扑结构的耦合DNAGA-P系统以及基于自组装思想的耦合DNA-GA种群P系统。并对提出的P系统进行了收敛性分析和系统分析。（2）对四种常用聚类算法进行改进,分别将四种耦合DNA-GA-P系统用于实现改进之后的聚类算法,具体有:a)提出了基于耦合DNA-GA类细胞P系统的模糊C均值聚类算法基于权重均值的距离计算方式被用于计算模糊C均值聚类算法（Fuzzy Cmeans clustering algorithm,简称FCM）的目标函数。新型的耦合DNA-GA类细胞P系统被用于实现聚类过程,利用耦合DNA-GA-P系统的全局搜索能力和跳出局部最优的能力进一步优化改进算法,使用了UCI数据集对改进的算法进行了性能验证。b)基于耦合DNA-GA类组织P系统的密度峰值聚类算法基于K近邻（K-Nearest Neighbor,简称KNN）和香农熵的计算方法被用于计算数据点的密度矩阵。耦合DNA-GA类组织P系统被用于实现聚类过程。新的类组织P系统能够在提高算法效率的同时还降低算法的复杂性。最终,在人工数据集和UCI数据集上分别进行了实验验证。c)基于耦合DNA-GA链式P系统的集成模糊K-modes算法基于直觉模糊集（Intuitionistic fuzzy set,IFS）和核技巧,均衡地解决模糊Kmodes算法所有属性问题,提高算法对噪声的鲁棒性。然后将改进之后的模糊Kmodes算法与另外两种K-modes算法作为基聚类算法,综合三个算法的各自优势,对模糊K-modes算法做一致性聚类。耦合DNA-GA链式P系统被用于实现提出的集成聚类算法,以防止聚类算法陷入局部最优,同时实现隐式并行的聚类过程。d)基于耦合DNA-GA种群P系统的多视图谱聚类算法提出一种新的基于KNN和图思想的自动加权多视图一致性聚类算法。一方面,在初始化数据表示矩阵（相似度矩阵）的过程中使用K近邻思想。另一方面,采用相似度矩阵而不是原始数据对象来学习一致性矩阵。相似度矩阵将在迭代过程中不断更新。然后,在一致性矩阵生成过程中,为了考虑不同视图的不同贡献,系统自动为各个视图生成权重,并在后期更新过程中同步更新每个视图的权重信息。最后,当一致图收敛时,对一致图执行谱聚类算法,并得到最终的多视图聚类结果。将这个多视图谱聚类过程按照具体规则要求在耦合DNA-GA的种群P系统中完成,系统的极大并行性可进一步提高算法的运行效率。（3）将提出的基于耦合DNA-GA-P类细胞P系统的模糊C均值聚类算法和基于耦合DNA-GA种群P系统的多视图谱聚类算法分别用于图像分割和文本聚类中。综上所述,本文主要提出了一种新型的耦合DNA-GA-P系统,并基于系统定义,结合P系统中的进化交流、膜分裂膜溶解、链式拓扑结构以及自组装思想的基本概念,扩展了四种耦合DNA-GA-P系统,同时分别将四种系统用于四种改进的聚类算法中,最后将其中两种基于耦合DNA-GA-P系统的聚类算法分别用于图像分割和文本聚类的实际应用中。
姜秋龙[2]（2021）在《基于模糊编码遗传算法和改进LSTM-BPNN残差修正模型的燃气负荷预测》文中研究说明天然气作为一种相比于煤和石油更为清洁的能源,已经引起了各国政府的重视。近年来,随着各国政府对天然气需求量的增加,同时也给能源管理者带来了巨大的调度压力,当出现天燃气调度不均时,调度过少的行业就会导致巨大的经济损失。此外,燃气合同是一种提前购买合同,当购买量不足以满足社会需求时,购买者违反合同也会导致巨大的经济损失。合理预测天然气负荷可以减轻上述经济损失。在燃气负荷预测领域,国内外已经有很多研究者进行深入的研究。大部分研究者都是用不同的单模型预测燃气负荷,这些预测模型包括统计模型,机器学习模型,深度学习模型。近年来,LSTM及其相关的混合模型得到了广泛应用,其主流方案是先用特殊算法分解燃气序列,然后优化模型结构,最后再用LSTM预测燃气负荷,其中基于LSTM的残差混合模型也有少量研究。本文将深入研究基于残差混合算法的燃气预测模型,目前残差混合模型的主流方案有单个算法优化残差模型、特殊算法分解残差序列然后再用模型预测残差、模型直接预测残差,这些模型已经用于风能、电力、燃气等领域,从而证明了有效性。本文提出一种改进的残差模型用于燃气负荷预测。针对燃气负荷数据本身具有周期性、随机性的复杂特点,一般的LSTM混合模型只对预测前端进行优化处理,忽略了对LSTM预测后端残差的优化处理,一般的残差混合模型以及基于LSTM残差混合模型只对混合模型中的单个模型进行优化,忽略了对主次模型的同时优化,以及只有残差序列作为残差模型的输入因子,忽略了其他影响因子的分析,因此本文对LSTM混合模型进行了如下改进:⑴增加了BPNN预测LSTM后端的残差;⑵用模糊编码遗传算法（FCGA）和Adam算法同时优化LSTM-BPNN残差修正模型;⑶提出了两个新的燃气残差影响因子,并用于燃气残差预测;由此得到基于模糊编码遗传算法和改进LSTM-BPNN残差修正模型—LSTM-FCGA-BPNN（Adam）1,其基本流程是先用Adam优化的主模型LSTM预测初步值,然后用模糊编码遗传算法优化BPNN的初始权重和阈值,接着用新残差影响因子输入到Adam优化的BPNN中去预测残差值,最后用残差值修正的初步值作为最后预测值。为了验证该模型在燃气负荷预测的有效性,本文采用上海市某地区2005年-2014年的燃气负荷数据来进行预测实验,并将实验结果与经典模型LSTM、LSTMBPNN、LSTM-BPNN（Adam）、LSTM-GA-BPNN（Adam）进行对比分析,实验结果表明,该模型的MAPE是最低的,其值为0.059。由此证明提出的模型有着更高的预测精度,具有改进意义。下一步工作,将继续研究燃气残差混合模型以及燃气残差的影响因素,以及由混合模型引起的计算效率问题以及研究自动在原始数据中选择出燃气负荷影响因素的问题。
仇永涛[3]（2020）在《离散智能车间扰动预测与高效运行管控方法研究》文中进行了进一步梳理随着工业4.0、物联网、数据挖掘等概念的提出,计算机技术与先进制造业的理念和方法正不断深入融合,基于信息物理系统的智能制造也应运而生,形成以服务为导向、以数据为依托、以人工智能为决策方法的人机协同制造新模式。在智能制造环境下,车间集成各类传感器（测力计、温度器、RFID等）实现车间数据采集,物联网等基础设施实现车间系统互联互通。但由于实际加工环境中的各类扰动,会直接或间接导致生产进程异常,尤其是以多品种、小批量为生产特征的离散车间,其不确定性扰动更为复杂,实时工况的多变更是增加了以调度为关键的车间管控难度,降低了车间生产效率,增加了车间管控成本和不确定性。因此,需要贴近现实车间实际,划分车间扰动异常,定量计算扰动影响程度,并预测可能会发生的扰动,进而基于扰动预警,实现车间扰动发生前的主动调度,避免扰动影响车间作业。同时,需提高扰动事后的车间重调度能力,结合企业生产需求,降低已发生扰动对车间正常运行带来的危害。本文针对这些关键问题,从构建扰动预测模型和设计有效调度方法两方面进行展开,以提高车间运行管控能力。具体内容如下:（1）针对车间扰动,分别从临时性变化、通常环境和显着或不显着改变三个角度阐述车间扰动概念。构建以服务、质量和价格为评价指标,以人、设备、物料和调度为扰动资源要素的层次树多元扰动划分框架,对车间宏观扰动进行了系统分类。基于改进的故障失效模式和影响分析,提出一种新的扰动分析模型—扰动风险向量。定义了平面偏向向量的风险向量优先级,有效降低扰动风险数值重复率,实现了不同扰动的差异化。并以此为基础,设计车间扰动风险向量及扰动评估方法。提出以三角函数和梯形函数为隶属度函数的模糊层次分析法以克服主观权重问题。应用差异性指数划分扰动数值,发现关键扰动,为车间管理员高效定位车间扰动和预防控制扰动提供依据。此外,三维矢量的平面拟合为分析不同指标扰动的分布和差异提供了方法。（2）针对数据背后的潜在扰动,依据实体物流操作过程的等待加工时间、机床准备时间、加工时间、等待转移时间和转移时间分别建立理想作业时间流和实际作业时间流数学模型,并以此为基础提出潜在扰动时间概念,反映了扰动对离散车间作业的影响。从车间系统功能出发,解析离散车间数据源,并对其进行统一分类。建立离散车间数据流框架,提出基于数据挖掘的离散车间潜在扰动预测方法,完成了由扰动预测到车间生产的闭环控制。考虑到噪声冗余数据,提出混合贝叶斯的决策树算法用于离散车间扰动预测。实验结果验证了所提方法能有效发掘潜在扰动并指导车间生产,同时所提算法相较其它算法具有更优的预测精度。（3）针对扰动预测下的高效车间作业静态调度问题,提出了以最大完工时间和总延迟为优化目标,建立了混合进化算法和种群知识的离散作业车间多目标调度求解模型。由优化目标和属性归纳确定工件工序属性（工序特征、加工时间、剩余加工时间、交货期和优先级）,通过NSGA-Ⅱ混合模拟退火算法获取优秀种群个体,应用优先级类权重实现种群的知识挖掘。提出增添排序法ADSM,重新局部调整工序,获取基于知识的初始种群个体,避免了知识挖掘下工序不足或过饱和问题。实验比较了其它种群个体在不同迭代次数和不同种群大小下优化目标和帕累托性能指标,结果表明在有限的迭代次数下,本文所提方法能够获得更优的帕累托解。（4）针对已发生扰动对车间作业的影响,深入研究了扰动下车间重调度问题,给出离散车间扰动下重调度理论框架和关键技术。提出原计划接受度和重调度触发度概念和数学模型,建立以交货期和扰动时间变化率为基准的重调度驱动机制。应用指标加权法提出以最大完工时间、质量损失指数和工序加工成本为一体的优化目标函数。设计并改进模拟退火遗传算法,以基准案例对优化目标函数值和收敛性进行算法性能测试,以某电梯零部件智能制造车间调度实例进行重调度验证,结果表明所提算法和重调度策略优越且有效。开发了离散车间调度平台,并介绍了系统主要功能模块。
张思维[4]（2020）在《模糊聚类在本科工程质量认证中的应用》文中进行了进一步梳理本科工程质量认证对高校的教学课程改革和教学管理等工作都具有重要的指导意义,选取合适的评价方法对高校的本科工程质量认证工作起到事半功倍的作用。本科工程质量认证工作从教学水平和学生学习成果两个方面进行,因此本文从教师教学水平和学生学习成果两个方面进行数据分析。对高校质量水平进行评价时,通常会以到课率和学生成绩等为主,但是这些评价方法都难免有些片面,不能准确反映出教师的综合教学水平和学生各方面的能力。因此,本文将定量与定性方法结合使用,从各个方面研究分析模糊聚类在本科工程质量认证中的应用。模糊聚类方法（FCM）是数据挖掘技术中一项重要的分析方法,因为该方法原理简单、容易实现以及收敛速度快等特点,被广泛应用在各行各业。FCM算法的聚类个数是需要提前设定并且初始中心也是随机生成,一般会导致聚类结果过早收敛,最终聚类结果不是理想,因此本文将FCM聚类算法与遗传算法相结合,以达到FCM聚类算法最终收敛结果达到全局最优,最后将GA-FCM算法应用到本科工程质量认证中去。本文介绍了数据挖掘技术的相关理论,着重介绍了经典聚类算法和FCM聚类算法的原理及实现流程,分析经典聚类算法和模糊聚类算法的优缺点,为了使FCM聚类算法结果更优,选择使用遗传算法改善其缺陷,并且使用UCI机器学习库中的标准数据集进行实验和结果分析,证明其能够有效改善聚类结果。其次采用问卷调查的方法对教师水平进行评价分析,从基本能力、教学方法、教学内容、教学态度、教学效果这五个方面进行数据收集,使用python3中的第三方库pandas对样本数据进行数据清洗,采用基于遗传算法的FCM聚类算法对整理好的数据进行数据处理,并对其进行结果分析,从而为吉林建筑大学电气于计算机学院电气专业的老师提供改善教学工作的相关数据。最后,依托于《吉林建筑大学工程类专业平台》对学生的学习成果进行分析评价。将学生的各科成绩,根据每门课程在毕业要求中占的权重进行数据处理,并且采用了电气工程及其自动化专业的12条课堂目标标准准备数据,最后进行聚类和结果分析,这样可以指导教师在教学工作中针对不同特点的同学,选取恰当的教学方法,最大程度发挥学生的优势,补齐短板,最终使所有学生能达到毕业要求,成为强综合型工程技术人才以满足社会需求。
徐田丰[5]（2019）在《模糊神经网络在学生成绩预测中的研究应用》文中指出随着计算机技术的发展,高校里的教育教学工作越来越依赖于教务管理系统。而教务管理系统中存储着大量的学生课程成绩数据,那么如何对这些数据进行有效的分析以提高学校的教学质量,这是非常值得人们深入研究的问题。本文使用了模糊神经网络的方法,根据学生的课程成绩数据预测其相应的毕业成绩,并且使用MATLAB软件对所构建的预测模型进行仿真实现,最后根据此模型开发出一套完善的学生成绩预测管理系统,从而达到学生学业预警的目的。虽然模糊神经网络具有自适应和非线性逼近两个优良的功能,能够解决课程成绩与毕业成绩之间复杂的非线性关系。但是模糊神经网络在一些方面上还存在着其自身不可避免的缺点,比如:学生成绩样本数据之间的冗余;输入变量维度过高而导致模型运行效率变低的问题;模糊神经网络容易陷于局部最优而难以寻找到全局最优值的现象。本文针对上述的三个问题,提出了一种基于主成份分析和遗传算法优化的模糊神经网络模型。第一步,通过主成份因子分析方法对学生成绩样本进行降维处理,使得原始高维的数据集变为一个低维的新数据集,从而降低模型输入变量的维度,进而提高模型的效率。同时,该过程还解决了样本数据之间的冗余问题。第二步,使用遗传算法优化模糊神经网络的前件参数,从而使得网络能够达到全局最优。如此,本文构建了优化的模糊神经网络成绩预测模型。然后,通过MATLAB软件进行仿真实验,结果表明,该模型能够利用已有的学生课程成绩对未知的毕业成绩做出较为准确的预测,从而可以使用预测结果为依据,对学生进行学业预警提示。验证了该模型用于毕业成绩预测的可行性。最后,依据本文研究中构建的优化模型,开发出一套具有较高实用性、复用性和扩展性的学生成绩管理系统,使用预测结果为依据,对学生进行学业预警提示。
宣树人[6]（2017）在《基于时滞时间挖掘的自适应模糊控制器的设计》文中进行了进一步梳理时滞现象是一种时间上的延迟,是一种普遍存在于我们的日常生活、工业生产和科学研究中现象,其研究是当前控制界的一个热门课题之一,更是控制理论应用的一个重要领域。通过分析控制对象的输入输出特性,以数据挖掘技术为基础,进行了被控对象时滞时间及惯性参数的挖掘;同时,以挖掘参数为依据,进行了模糊控制器及自适应模糊控制器的设计。首先,进行了数据采集准备,通过对不同时滞参数的一阶时滞控制对象进行控制,并采集参数,进行了时滞控制对象的数据采集;其次,设计参照曲线并求挖掘曲线的相似度。以相似度为输入,控制对象参数为输出,设计模糊神经网络进行时滞参数及控制对象参数的挖掘;然后,运用蚁群算法,判断变时滞控制对象的时滞时间变化点,进行变时滞参数的挖掘模型的建立;运用二倍体遗传算法进行时滞系统和变时滞系统的模糊控制器的设计,其中变时滞系统时滞参数的变化以干扰处理,求其pareto最优解集;最后,通过对变时滞系统的时滞变化分析,设计了自适应模糊控制器,实现控制对象的自适应模糊控制,并以焦炉控制系统为研究对象,验证提出的自适应模糊控制器设计方法的有效性。仿真数据表明,自适应模糊控制器设计方法有效的提高了时滞系统的控制器设计效率和控制精度。
皮德常[7]（2002）在《CIMS数据库中数据挖掘关键技术的研究》文中研究说明数据挖掘技术是近几年的一个研究热点。首先，论文对数据仓库、知识仓库、主动规则和知识管理等技术进行了分析，在此基础上提出了一种具有主动性的知识仓库，并给出了其体系结构。主动性知识仓库弥补了当前数据仓库的不足之处，它可能是未来几年的一个研究热点。 其次，在关联规则研究方面，提出了TBAR*算法、趋势关联规则的概念和算法、基于信念的规则过滤；在对聚类分析研究的基础上，提出了一种新颖的α相关规则聚类算法，并给出了相关的Prim和Kruskal两种实现方法；在对模糊ISODATA聚类算法分析的基础上，提出了模糊ISODATA*聚类算法。 同时，针对遗传算法在特征选择方面的应用，提出了多群体遗传算法。 最后，论文结合数据仓库和数据挖掘的发展趋势，讨论了数据挖掘的若干标准化问题——主要包括挖掘语言、结构和过程的标准化；提出了将数据仓库和数据挖掘合一的思想；给出了一个具有三层逻辑结构数据挖掘平台模型，该平台模型采用动态链接库实现算法存储、基于元数据库进行算法管理，保证了系统的可扩充性，
刘亚芬[8]（2020）在《基于GA的CART决策树改进算法与应用》文中研究表明自20世纪中期互联网技术的不断发展,信息技术跟随着迅猛发展,用户随时随地都产生了大量的图像、文本、音频、视频等信息。如何从这些不断增长的数据中得出对人们有利用价值的信息?于是,诞生了数据挖掘技术。数据挖掘就是不断的在数据中寻找有用信息,通过各种不同的分析方式和分析工具建立起各种数学模型与数据之间的联系,然后通过对这些构建好的模型与数据进行分析以及预测。分类预测是数据挖掘中的一项重要领域,在数据挖掘中,分类预测占有重要地位。决策树算法就是分类中一种易于理解并且使用范围较广的算法,决策树相较于其他方法有预测速率快、高精度且生成的分类规则易于解释等好处,因此是分类预测中比较常用的方法。常用的决策树算法有ID3算法、C4.5算法和CART算法,ID3算法适用于处理小规模数据集且无法处理离散属性。C4.5算法改善了ID3算法的缺点,能同时处理连续属性,且在剪枝的时候加入了初步正则化思想,防止过拟合,但C4.5算法只能处理分类问题,无法处理回归问题。CART算法在此问题上进行了改进,既能处理分类问题也能处理回归问题,且用Gini系数代替信息增益率进行分裂,降低了数据的计算量。但CART算法同样有着自身的不足,CART算法是采用二分法进行分割,二分法最大的缺陷是局部最优,本文的切入点就是解决二分法局部最优的问题,创新点就是利用遗传算法全局优化的特性,通过遗传算法找到最优的分裂点,对CART算法进行优化。当数据集的特征个数偏多,训练模型的时间花销就越大,训练得出的模型就会更加复杂,那么模型的推广能力也会有所下降。通过实验证实,使用遗传算法来找到最优的特征建树,能大大的提高分类的精度。本文在构建决策树的过程中,使用的是CART算法,大多数情况下CART构建的决策树模型比其他算法构建的模型准确率更高,且当样本越大,数据量越复杂,变量越多,算法的效果就越显着。但是CART算法也有自身的缺陷,CART算法是通过二分法进行分裂,但是二分法最大的缺陷是局部最优,每一次计算只能找到当前这步的最优值,很容易陷入局部收敛,遗传算法作为全局最优搜索算法之一,其过程是通过不断的选择、交叉和变异操作,寻找到最优个体,文中是利用遗传算法代替二分法找到最优分裂点。遗传算法因具有优秀的性能,在优化问题中应用颇多,遗传算法在寻找最优分类规则中应用得较为成熟,而在决策树算法中,从本质上最终也是得到分类规则,从这方面来看,通过遗传算法对决策树改进也是可行的。虽然遗传算法也不能保证在理论上得到百分之百的最优,但是也提供了寻优的可能,且后续实验中也证明了使用遗传算法代替二分法寻找的最优分裂点能提高分类的精度。
胡文烽[9]（2020）在《电能计量异常数据识别与补偿方法研究》文中认为随着智能电网的快速发展,泛在电力网全面建设,电力系统自动化在电网中起着越来越重要的作用。为了采集精准的电力数据,保证电网安全运行和提高供电系统效率,促进电力系统的数字化和智能化发展,辨识和修正电能计量异常数据具有重大意义。本文主要研究内容:首先,采用k-means++聚类算法训练并提取了用户的电能计量负荷数据统计特征,采用手肘法解决了聚类算法中存在k值确定问题。根据聚类结果,得到各类别用户负荷数据以及各类别用户数据特征,为电能计量中的异常数据识别与补偿奠定了基础。其次,采用BP神经网络算法对异常数据识别,利用所提取的各类别用户负荷数据特征对BP神经网络进行训练,由于BP神经网络存在着初始权值和阈值的取值问题,本文采用了遗传算法进行优化。通过训练完成的GA-BP神经网络模型对用户负荷数据进行判断并确定异常类型。最后,对于不同类型的异常用电数据,分别采用小波神经网络算法和基于用户特征数据的补偿方法对进行修正,达到了用电计量用户数据补偿目的。文中采用仿真方法,验证所提出的电能计量异常数据识别与补偿方法的可行性和有效性。
周密[10]（2020）在《优化BP神经网络在急性胸痛疾病分类诊断中的应用研究》文中进行了进一步梳理胸痛是急诊科的一种常见急症,急性胸痛疾病发病急,救治时间窗窄,鉴别诊断困难,给急诊科医生的诊断带来极大挑战。借助神经网络对急性胸痛患者早评估,能够辅助医生诊断、优化诊治流程,为患者争取宝贵的救治时间。本文针对医生对急性胸痛疾病快速诊断的需求,设计了基于五种典型急性胸痛疾病的分类诊断系统。分析并提取这五种胸痛疾病各自的相关特征,形成样本数据集,其中用于建模的样本数120组,用于测试的样本数20组。分别利用基本BP神经网络和经遗传算法优化的BP神经网络拟合样本数据,通过对患者临床特点的若干参数的计算得到初步诊断结果。具体研究工作如下:1、构建用于急性胸痛疾病诊断的BP神经网络。分析五种急性胸痛疾病的影响因素,提取、整合样本数据,构建基本的BP神经网络,经样本数据训练后的网络能够预测新样本所患疾病的类型。2、利用遗传算法优化BP神经网络初始权值阈值。BP神经网络随机的权值阈值使得预测的结果不稳定,优化后的BP神经网络能够改善这一问题,提高预测的准确性,使应用于急性胸痛诊断的BP神经网络更加合理。3、设计了可视化用户界面,构成了急性胸痛疾病诊断系统。系统操作过程简单,能够准确显示初步诊断结果,具有实用性,易于推广。本系统的设计依托MATLAB软件,系统模型的构建通过MATLAB编程语言、遗传算法工具箱等实现,系统的可视化用户界面通过图形用户界面工具GUI设计。20例新样本测试结果表明,BP神经网络、遗传算法优化的BP神经网络预测的准确率分别为85%、95%,说明系统是有效的,具有使用价值。
二、基于模糊系统和遗传算法的数据挖掘技术的研究（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于模糊系统和遗传算法的数据挖掘技术的研究（论文提纲范文）
（1）基于耦合DNA-GA-P系统的聚类分析研究（论文提纲范文）
| 摘要 |
| Abstract |
| 符号表示和英文缩写清单 |
| 符号表示目录 |
| 英文缩写目录 |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 P系统的研究现状 |
| 1.2.2 DNA遗传算法的研究现状 |
| 1.2.3 聚类分析的研究现状 |
| 1.2.4 基于DNA遗传算法和P系统的聚类问题研究现状 |
| 1.3 理论概述 |
| 1.3.1 DNA遗传算法 |
| 1.3.2 P系统 |
| 1.3.3 聚类分析 |
| 1.4 研究的创新点 |
| 1.5 论文主要研究内容与组织框架 |
| 1.5.1 研究内容 |
| 1.5.2 论文的组织结构 |
| 第2章 耦合DNA-GA-P系统(CDP) |
| 2.1 问题提出 |
| 2.2 耦合DNA-GA-P系统构建 |
| 2.3 四种扩展的耦合DNA-GA-P系统 |
| 2.3.1 具有定向交流与概率进化规则的耦合DNA-GA类细胞P系统(DPCDP) |
| 2.3.2 带有膜分裂/膜溶解规则的耦合DNA-GA类组织P系统(DDCDP) |
| 2.3.3 基于链式拓扑结构的耦合DNA-GA-P系统(CHCDP) |
| 2.3.4 基于自组装思想的耦合DNA-GA种群P系统(SACDP) |
| 2.4 耦合DNA-GA-P系统的收敛性分析 |
| 2.5 耦合DNA-GA-P系统分析 |
| 2.5.1 DPCDP系统分析 |
| 2.5.2 CHCDP系统分析 |
| 第3章 基于DPCDP系统的模糊C均值聚类算法 |
| 3.1 引入权重均值距离的FCM(WMFCM) |
| 3.1.1 WMFCM算法提出 |
| 3.1.2 实验评价指标 |
| 3.1.3 WMFCM算法性能分析 |
| 3.2 基于DPCDP系统的WMFCM算法实现(WMFCM-DPCDP) |
| 3.2.1 系统基本框架 |
| 3.2.2 细胞1中的进化规则 |
| 3.2.3 细胞2中的进化规则 |
| 3.2.4 细胞3中的进化规则 |
| 3.2.5 不同细胞之间的交流规则 |
| 3.2.6 迭代停止规则 |
| 3.2.7 算法复杂度分析 |
| 3.3 实验分析 |
| 3.3.1 实验数据集 |
| 3.3.2 实验设置 |
| 3.3.3 实验结果分析 |
| 3.3.4 T假设检验 |
| 第4章 基于DDCDP系统的密度峰值聚类算法 |
| 4.1 算法基础 |
| 4.2 引入K近邻和香农熵思想的DPC算法 |
| 4.2.1 当前算法不足 |
| 4.2.2 改进措施 |
| 4.3 基于DDCDP系统的KSDPC算法实现(KSDPC-DDCDP) |
| 4.3.1 系统基本框架 |
| 4.3.2 系统进化规则 |
| 4.3.3 KSDPC-DDCDP算法流程 |
| 4.3.4 算法复杂度分析 |
| 4.4 实验分析 |
| 4.4.1 实验数据集 |
| 4.4.2 实验设置 |
| 4.4.3 实验结果分析 |
| 第5章 基于CHCDP系统的集成模糊K-modes算法 |
| 5.1 算法基础 |
| 5.2 基于核直观权重模糊K-modes算法(KIWFKM) |
| 5.2.1 KIWFKM算法 |
| 5.2.2 算法复杂度分析 |
| 5.2.3 KIWFKM算法性能分析 |
| 5.3 基于CHCDP系统集成FKM算法实现(CFKM-CHCDP) |
| 5.3.1 CHCDP系统结构 |
| 5.3.2 反应链式-超图子系统 |
| 5.3.3 局部交流P系统 |
| 5.3.4 一致性子系统 |
| 5.4 实验分析 |
| 5.4.1 实验数据集 |
| 5.4.2 实验设置 |
| 5.4.3 实验分析 |
| 5.4.4 T假设检验 |
| 第6章 基于SACDP系统的自权重多视图谱聚类(KGWMC-SACDP) |
| 6.1 算法基础 |
| 6.2 SACDP系统基本框架 |
| 6.3 基于KNN和图结构的自权重多视图集成谱聚类 |
| 6.3.1 目标函数 |
| 6.3.2 迭代进化算法 |
| 6.4 KGWMC-SACDP算法分析 |
| 6.4.1 聚类实现 |
| 6.4.2 复杂性分析 |
| 6.4.3 收敛性分析 |
| 6.5 实验分析 |
| 6.5.1 实验数据集 |
| 6.5.2 实验设置 |
| 6.5.3 实验结果分析 |
| 6.5.4 T假设检验 |
| 第7章 耦合算法在两类实际问题中的应用研究 |
| 7.1 耦合WMFCM-DPCDP算法在图像分割中的应用 |
| 7.1.1 图像分割问题 |
| 7.1.2 基于聚类分析的图像分割技术 |
| 7.1.3 实验对比与分析 |
| 7.2 耦合KGWMC-SACDP算法在文本聚类中的应用 |
| 7.2.1 文本聚类方法 |
| 7.2.2 实验数据集 |
| 7.2.3 实验对比与分析 |
| 第8章 结论与展望 |
| 8.1 结论 |
| 8.2 进一步的研究工作 |
| 参考文献 |
| 攻读博士学位期间论文成果 |
| 攻读博士学位期间项目成果 |
| 攻读博士学位期间获奖成果 |
| 致谢 |
（2）基于模糊编码遗传算法和改进LSTM-BPNN残差修正模型的燃气负荷预测（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.3 本文的主要工作及本文整体框架结构 |
| 1.3.1 本文主要工作及创新点 |
| 1.3.2 本文整体框架结构 |
| 第2章 城市燃气负荷及其预测的领域知识 |
| 2.1 燃气负荷以及负荷残差的特性分析 |
| 2.1.1 燃气负荷的组成和特点 |
| 2.1.2 燃气负荷变化的相关影响因素 |
| 2.1.3 燃气负荷残差的特点和相关影响因素分析 |
| 2.2 燃气负荷预测以及残差预测的相关概念 |
| 2.2.1 燃气负荷预测的基本概念 |
| 2.2.2 燃气负荷残差预测的基本概念 |
| 2.2.3 燃气负荷预测的步骤 |
| 2.2.4 燃气负荷残差预测的步骤 |
| 2.2.5 燃气负荷预测的误差评价标准 |
| 2.3 本章小结 |
| 第3章 燃气负荷数据的预处理 |
| 3.1 预处理的概念 |
| 3.2 燃气负荷预处理的必要性 |
| 3.2.1 异常数据的类型 |
| 3.2.2 异常数据的影响 |
| 3.2.3 预处理数据的意义 |
| 3.3 燃气负荷预处理的方法 |
| 3.3.1 方法分类 |
| 3.3.2 本文方法 |
| 3.4 本章小结 |
| 第4章 LSTM-BPNN残差修正模型 |
| 4.1 基础算法以及残差的介绍 |
| 4.1.1 LSTM循环神经网络 |
| 4.1.2 BPNN神经网络 |
| 4.1.3 燃气负荷预测中的残差概念 |
| 4.2 LSTM-BPNN残差修正模型概述 |
| 4.2.1 理论基础 |
| 4.2.2 模型结构 |
| 4.2.3 LSTM-BPNN残差修正模型的处理流程 |
| 4.2.4 LSTM-BPNN残差修正模型的缺陷分析 |
| 4.3 改进的LSTM-BPNN残差修正模型 |
| 4.3.1 Ada Grad算法和RMSPROP算法 |
| 4.3.2 Ada Grad算法和RMSPROP算法的缺陷 |
| 4.3.3 Adam算法 |
| 4.3.4 用Adam优化的LSTM-BPNN残差修正模型 |
| 4.4 实验及结果分析 |
| 4.4.1 实验设计 |
| 4.4.2 传统的单模型(LSTM,BPNN)预测结果 |
| 4.4.3 LSTM-BPNN残差修正模型预测结果 |
| 4.4.4 用Ada Grad或 RMSPROP优化的LSTM-BPNN残差修正模型预测结果 |
| 4.4.5 用Adam优化的LSTM-BPNN残差修正模型预测结果 |
| 4.5 改进的LSTM-BPNN残差修正模型的缺陷分析 |
| 4.6 本章小结 |
| 第5章 基于模糊编码遗传算法优化的改进 LSTM-BPNN 残差修正模型 |
| 5.1 进化计算的相关知识 |
| 5.1.1 进化计算基本概念 |
| 5.1.2 进化计算基本组成部分 |
| 5.1.3 进化计算分类 |
| 5.2 遗传算法GA以及优缺陷分析 |
| 5.3 模糊编码遗传算法FCGA |
| 5.4 LSTM-FCGA-BPNN(Adam)算法流程 |
| 5.5 实验及结果分析 |
| 5.5.1 实验设计 |
| 5.5.2 LSTM-GA-BPNN(Adam)模型预测结果 |
| 5.5.3 LSTM-FCGA-BPNN(Adam)模型预测结果 |
| 5.6 本章小结 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 进一步研究的方向 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（3）离散智能车间扰动预测与高效运行管控方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 离散智能车间主要特征 |
| 1.2.2 车间扰动及扰动预测方法研究 |
| 1.2.3 车间运行管控及调度方法研究 |
| 1.3 论文研究内容及结构 |
| 第二章 基于改进FMEA的离散车间关键扰动分析与预测 |
| 2.1 离散车间扰动分析与预测框架 |
| 2.1.1 离散车间扰动描述与定义 |
| 2.1.2 离散车间关键扰动分析与预测框架 |
| 2.2 离散车间扰动层次划分方法 |
| 2.3 基于改进FMEA的离散车间关键扰动分析与预测方法 |
| 2.3.1 FMEA方法概述 |
| 2.3.2 离散车间扰动风险向量模型 |
| 2.3.3 离散车间扰动优先级与关键扰动预测 |
| 2.4 离散车间扰动风险向量应用与实施 |
| 2.4.1 扰动风险向量 |
| 2.4.2 车间扰动风险向量 |
| 2.5 本章小结 |
| 第三章 基于数据挖掘的离散车间潜在扰动预测 |
| 3.1 离散车间潜在扰动时间 |
| 3.1.1 理想作业时间流 |
| 3.1.2 实际作业时间流 |
| 3.1.3 潜在扰动时间 |
| 3.2 基于数据挖掘的离散车间潜在扰动预测方法 |
| 3.2.1 数据挖掘方法概述 |
| 3.2.2 离散车间数据源及分类 |
| 3.2.3 离散车间数据预处理关键方法 |
| 3.2.4 离散车间数据挖掘的潜在扰动预测 |
| 3.3 基于NBTree的离散车间数据挖掘算法 |
| 3.3.1 基于朴素贝叶斯的先验分类 |
| 3.3.2 基于C4.5的扰动预测 |
| 3.3.3 结合朴素贝叶斯和C4.5的NBTree算法 |
| 3.4 实验设计与分析 |
| 3.5 本章小结 |
| 第四章 扰动预测下的离散车间多目标静态调度优化 |
| 4.1 扰动预测下的离散车间多目标静态调度问题及优化模型 |
| 4.1.1 多目标优化理论 |
| 4.1.2 扰动预测下离散车间多目标静态调度问题及模型 |
| 4.2 混合进化算法和种群知识的离散车间多目标调度方法 |
| 4.2.1 工序属性特征选择 |
| 4.2.2 训练数据准备 |
| 4.2.3 种群知识挖掘 |
| 4.2.4 规则种群初始化 |
| 4.3 实验设计与分析 |
| 4.3.1 多目标进化算法优化 |
| 4.3.2 多目标性能指标 |
| 4.3.3 实验结果和讨论 |
| 4.4 本章小结 |
| 第五章 离散车间扰动下的重调度方法研究 |
| 5.1 离散车间扰动下重调度理论体系 |
| 5.1.1 扰动下的车间重调度问题 |
| 5.1.2 离散车间扰动下重调度理论框架 |
| 5.1.3 离散车间扰动下重调度关键技术 |
| 5.2 基于原计划接受度和重调度触发度的重调度驱动机制 |
| 5.3 离散车间扰动下的重调度模型与优化算法 |
| 5.3.1 问题描述 |
| 5.3.2 数学模型 |
| 5.3.3 算法设计 |
| 5.4 实例分析与应用 |
| 5.4.1 算法性能测试 |
| 5.4.2 实例描述与重调度仿真 |
| 5.4.3 平台开发 |
| 5.5 本章小结 |
| 主要结论与展望 |
| 主要结论 |
| 展望 |
| 主要创新点 |
| 致谢 |
| 参考文献 |
| 附录1 :作者在攻读博士学位期间发表的论文 |
| 附录2 :质量和价格相关的扰动层次划分示意图 |
| 附录3 :质量和价格相关的扰动优先级矩阵 |
| 附录4 :LA18工序优先级 |
（4）模糊聚类在本科工程质量认证中的应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 论文的研究背景和意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 聚类算法的研究现状 |
| 1.2.2 工程教育专业认证的研究现状 |
| 1.3 本文的研究内容 |
| 1.4 本文的组织结构 |
| 1.5 本章小结 |
| 第2章 相关基础理论 |
| 2.1 数据挖掘技术的基本原理 |
| 2.1.1 数据挖掘技术中的主要算法 |
| 2.1.2 数据挖掘技术的应用 |
| 2.2 聚类算法的相关知识 |
| 2.2.1 数据结构 |
| 2.2.2 数据标准化 |
| 2.3 常用距离的度量方式 |
| 2.4 主要的聚类分析方法 |
| 2.4.1 划分法 |
| 2.4.2 层次方法 |
| 2.4.3 基于密度的聚类方法 |
| 2.4.4 基于网格的方法 |
| 2.4.5 基于模型的方法 |
| 2.5 聚类结果的评估 |
| 2.6 遗传算法基本原理 |
| 2.6.1 遗传算法编码 |
| 2.6.2 遗传算法的初始种群 |
| 2.6.3 适应度函数 |
| 2.6.4 遗传算子 |
| 2.6.5 实现过程 |
| 2.7 本章小结 |
| 第3章 模糊聚类算法及其改进算法 |
| 3.1 基于目标函数的模糊聚类算法 |
| 3.1.1 基于划分的FCM聚类算法 |
| 3.1.2 模糊C均值聚类的实现 |
| 3.1.3 常见FCM聚类算法的缺陷 |
| 3.2 基于遗传算法改进FCM算法 |
| 3.2.1 种群初始化 |
| 3.2.2 编码 |
| 3.2.3 适应度函数 |
| 3.2.4 遗传算子 |
| 3.3 基于遗传算法的模糊聚类算法具体流程(GA-FCM) |
| 3.4 实验仿真及结果分析 |
| 3.4.1 实验平台 |
| 3.4.2 数据集简介 |
| 3.4.3 结果与分析 |
| 3.5 本章小结 |
| 第4章 模糊聚类在教师教学水平中的应用 |
| 4.1 教师教学水平评价 |
| 4.1.1 教师教学水平评价指标 |
| 4.1.2 实验数据的整理和标准化 |
| 4.2 基于遗传算法的FCM聚类过程与结果分析 |
| 4.2.1 基于遗传算法的FCM聚类过程 |
| 4.2.2 结果分析 |
| 4.2.3 类别描述 |
| 4.3 本章小结 |
| 第5章 模糊聚类在学生学习成果中的应用 |
| 5.1 学生学习成果评价 |
| 5.1.1 建立学生学习成果评价指标 |
| 5.1.2 实验数据的整理和标准化 |
| 5.2 基于GA-FCM聚类算法聚类过程与结果分析 |
| 5.2.1 基于GA-FCM聚类算法聚类过程 |
| 5.2.2 结果分析 |
| 5.2.3 类别描述 |
| 5.3 本章小结 |
| 总结与展望 |
| 参考文献 |
| 攻读硕士学位期间发表的学术论文 |
| 致谢 |
（5）模糊神经网络在学生成绩预测中的研究应用（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题研究的背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 论文的主要内容 |
| 1.4 本文的组织结构 |
| 第二章 相关概念与理论基础 |
| 2.1 数据挖掘 |
| 2.1.1 数据挖掘的概念 |
| 2.1.2 数据挖掘的步骤 |
| 2.2 模糊系统 |
| 2.2.1 模糊集合 |
| 2.2.2 规则库与模糊推理 |
| 2.2.3 T-S模糊推理系统 |
| 2.3 人工神经网络 |
| 2.3.1 人工神经网络模型 |
| 2.3.2 误差反向传播算法 |
| 2.4 遗传算法 |
| 2.4.1 遗传算法的基本原理 |
| 2.4.2 遗传算法的基本流程 |
| 2.5 本章小结 |
| 第三章 模糊神经网络模型的研究与构建 |
| 3.1 引言 |
| 3.2 模糊神经网络 |
| 3.2.1 模糊系统与神经网络的结合 |
| 3.2.2 模糊神经网络的网络结构 |
| 3.3 数据样本的PCA降维处理 |
| 3.3.1 主成分分析原理 |
| 3.3.2 主成分分析步骤 |
| 3.4 使用减法聚类方法生成模糊神经网络结构 |
| 3.4.1 减法聚类方法的基本原理 |
| 3.4.2 减法聚类方法生成ANFIS的步骤 |
| 3.5 GA算法优化模糊神经网络模型 |
| 3.6 本章小结 |
| 第四章 模糊神经网络模型在学生成绩预测中的运用及评价 |
| 4.1 样本数据的降维处理 |
| 4.1.1 样本数据的选取 |
| 4.1.2 样本数据预处理 |
| 4.1.3 样本数据的PCA降维处理 |
| 4.2 模糊神经网络模型的运用及评价 |
| 4.2.1 PCA-GA-ANFIS预测模型的训练结果 |
| 4.2.2 PCA-GA-ANFIS预测模型的测试结果 |
| 4.3 PCA-GA-ANFIS预测模型与ANFIS预测模型的比较研究 |
| 4.3.1 ANFIS预测模型的实验分析 |
| 4.3.2 PCA-GA-ANFIS预测模型与ANFIS预测模型的比较 |
| 4.4 本章小结 |
| 第五章 基于模糊网络模型的学生成绩管理平台的设计与实现 |
| 5.1 系统分析 |
| 5.1.1 基本需求分析 |
| 5.1.2 基本功能分析 |
| 5.2 系统的总体设计 |
| 5.2.1 系统总体框架 |
| 5.2.2 系统功能结构 |
| 5.3 系统界面的总体设计 |
| 5.4 系统模块的实现 |
| 5.4.1 数据维护模块的实现 |
| 5.4.2 考试管理模块的实现 |
| 5.4.3 成绩预测模块的实现 |
| 5.4.4 课后学习模块的实现 |
| 5.5 软件测试 |
| 5.5.1 用户登陆模块 |
| 5.5.2 数据维护模块 |
| 5.5.3 考试管理模块 |
| 5.5.4 课后管理模块 |
| 5.5.5 成绩预测模块 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 参考文献 |
| 攻读学位期间的研究成果 |
| 致谢 |
（6）基于时滞时间挖掘的自适应模糊控制器的设计（论文提纲范文）
| 摘要 |
| abstract |
| 引言 |
| 第1章 绪论 |
| 1.1 课题研究背景和意义 |
| 1.2 基于时滞时间的模糊控制器的发展与研究现状 |
| 1.2.1 时滞系统的简介与研究现状 |
| 1.2.2 基于数据挖掘的模糊控制器的发展与研究现状 |
| 1.3 主要研究内容 |
| 第2章 时滞时间挖掘及模糊控制器相关技术 |
| 2.1 模糊控制系统数学基础 |
| 2.1.1 模糊集合 |
| 2.1.2 模糊关系与模糊推理 |
| 2.1.3 模糊控制器设计简介 |
| 2.2 神经网络 |
| 2.2.1 神经网络概述 |
| 2.2.2 BP神经网络简介 |
| 2.2.3 模糊神经网络简介 |
| 2.3 遗传算法 |
| 2.3.1 遗传算法概述 |
| 2.3.2 遗传算法的基本理论 |
| 2.3.3 遗传算法的实现 |
| 2.4 数据挖掘 |
| 2.4.1 数据挖掘简介 |
| 2.4.2 数据挖掘的方法 |
| 2.4.3 序列模式的数据挖掘 |
| 2.5 本章小结 |
| 第3章 基于模糊神经网络的时滞系统参数挖掘 |
| 3.1 数据的收集 |
| 3.2 定常时滞系统时滞参数估算 |
| 3.2.1 基于Adaline神经网络的时滞系统参数估算 |
| 3.2.2 基于BP神经网络的时滞系统参数估算 |
| 3.2.3 基于模糊神经网络的时滞系统参数估算 |
| 3.2.3.1 基于弧度短距离的时间序列相似度计算 |
| 3.2.3.2 模糊神经网络优化时滞参数 |
| 3.3 变参数时滞系统参数挖掘 |
| 3.3.1 基于蚁群算法的时间序列分割 |
| 3.3.2 基于序列分割的变参数系统数据挖掘仿真 |
| 3.4 本章小结 |
| 第4章 基于二倍体遗传算法的模糊控制器设计 |
| 4.1 二倍体遗传算法概述 |
| 4.2 常参数系统模糊控制器的设计 |
| 4.2.1 模糊控制器初步建立 |
| 4.2.2 适应度函数的建立 |
| 4.2.3 基于二倍体遗传算法的模糊控制器的设计 |
| 4.3 变参数系统模糊控制器的设计 |
| 4.3.1 pareto最优解简介 |
| 4.3.2 基于遗传算法的Pareto最优解优化 |
| 4.3.3 基于二倍体遗传算法模糊控制系统的设计 |
| 4.4 本章小结 |
| 第5章 改进二倍体遗传算法优化自适应模糊控制器 |
| 5.1 自适应模糊控制器的设计 |
| 5.2 改进二倍体遗传算法优化模糊控制器 |
| 5.3 焦炉控制仿真实例 |
| 5.3.1 焦炉工艺 |
| 5.3.2 焦炉温度系统的控制仿真 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
| 导师简介 |
| 作者简介 |
| 学位论文数据集 |
（7）CIMS数据库中数据挖掘关键技术的研究（论文提纲范文）
| 第1章 引言 |
| 1.1 CIMS数据库的特点 |
| 1.1.1 CIMS信息系统中的数据特点 |
| 1.1.2 CIMS数据库系统特点 |
| 1.1.3 CIMS数据库的发展 |
| 1.2 数据挖掘技术发展综述 |
| 1.2.1 数据挖掘的定义 |
| 1.2.2 数据挖掘的目的 |
| 1.2.3 数据挖掘的步骤 |
| 1.2.4 数据挖掘的相关领域 |
| 1.2.5 数据挖掘的分类 |
| 1.2.6 目前数据挖掘的研究进展 |
| 1.3 文章的组织结构 |
| 第2章 构造面向CIMS的数据仓库 |
| 2.1 构造面向CIMS数据仓库的原因 |
| 2.1.1 数据仓库产生的背景 |
| 2.1.2 数据仓库的定义及对其的补充 |
| 2.2 数据仓库的的体系结构 |
| 2.2.1 基本构件分析 |
| 2.2.2 数据仓库的体系结构 |
| 2.3 构造数据仓库要注意的若干问题 |
| 2.3.1 数据清洗问题 |
| 2.3.2 项目队伍问题 |
| 2.3.3 数据仓库的安全性问题 |
| 2.4 具有主动性的数据仓库 |
| 2.4.1 主动性数据仓库的原理和结构 |
| 2.4.2 分析规则 |
| 2.4.3 主动数据仓库中有待解决的若干问题 |
| 2.5 知识仓库 |
| 2.5.1 数据仓库中的知识问题 |
| 2.5.2 知识管理的基本技术 |
| 2.5.3 知识仓库的技术指标 |
| 2.5.4 知识仓库结构 |
| 2.5.5 影响知识仓库实现的因素 |
| 2.6 主动知识仓库的概念模型 |
| 2.6.1 元数据及元数据库的问题 |
| 2.6.2 主动知识仓库的体系结构 |
| 第3章 关联规则挖掘技术 |
| 3.1 挖掘关联规则的经典算法 |
| 3.2 挖掘关联规则的改进算法 |
| 3.2.1 基于闭包项集的挖掘方法 |
| 3.2.2 基于树的挖掘关联规则的方法 |
| 3.3 趋势关联规则挖掘算法 |
| 3.3.1 增量关联规则维护的方法 |
| 3.3.2 趋势关联规则 |
| 3.4 基于信念的规则挖掘方法 |
| 3.4.1 兴趣模式发现方法概述39 |
| 3.4.2 基于信念的规则发现方法 |
| 3.5 采用强关联规则进行空缺值处理 |
| 3.5.1 目前常用的数据清理方法 |
| 3.5.2 采用强关联规则处理空缺值方法 |
| 3.6 基于模糊的关联规则发现方法 |
| 3.6.1 模糊集的基本知识 |
| 3.6.2 模糊挖掘关联规则算法及其不足 |
| 3.7 关联规则聚类算法的研究 |
| 3.7.1 距离聚类的不足 |
| 3.7.2 关联规则的α相关聚类 |
| 3.7.3 基于模糊ISODATA*的关联规则聚类 |
| 第4章 遗传算法在数据挖掘中的应用 |
| 4.1 遗传算法与数据挖掘 |
| 4.1.1 遗传算法的发展 |
| 4.1.2 遗传算法的自适应能力 |
| 4.1.3 遗传算法优点和缺点 |
| 4.2 属性选择与遗传算法 |
| 4.2.1 特性空间搜索问题 |
| 4.2.2 遗传算法用于特性空间搜索 |
| 4.3 多群体遗传算法 |
| 4.3.1 算法思想起源 |
| 4.3.2 多群体遗传算法 |
| 4.4 基于遗传算法的ISODATA聚类 |
| 4.5 遗传算法同时优化数据集和属性集 |
| 第5章 数据挖掘平台CIMSMINER模型 |
| 5.1 数据挖掘平台概述 |
| 5.2 挖掘平台设计中的若干标准 |
| 5.2.1 数据挖掘应用中有待标准化的问题 |
| 5.2.2 数据挖掘模型的若干标准 |
| 5.2.3 挖掘系统的结构标准 |
| 5.3 数据仓库和数据挖掘平台的结合 |
| 5.3.1 元数据 |
| 5.3.2 多维数据分析 |
| 5.3.3 数据仓库和数据挖掘的结合 |
| 5.4 数据挖掘模型的体系结构 |
| 5.4.1 数据挖掘模型 |
| 5.4.2 系统目标 |
| 5.4.3 系统结构 |
| 5.4.4 服务器端构件分析 |
| 5.4.5 客户端构件分析 |
| 5.5 数据挖掘算法管理 |
| 5.5.1 算法库的设计 |
| 5.5.2 算法选择模型 |
| 第6章 结论 |
| 致谢 |
| 在学期间的研究成果 |
| 参考文献 |
（8）基于GA的CART决策树改进算法与应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题研究的背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 本论文主要研究内容 |
| 1.4 本章总结 |
| 第二章 数据挖掘概述 |
| 2.1 数据挖掘的相关理论 |
| 2.2 数据挖掘常见的分类算法 |
| 2.2.1 神经网络方法 |
| 2.2.2 粗糙集理论方法 |
| 2.2.3 聚类 |
| 2.2.4 关联规则 |
| 2.2.5 统计分析方法 |
| 2.2.6 回归分析 |
| 2.2.7 决策树方法 |
| 2.3 本章总结 |
| 第三章 决策树分类技术 |
| 3.1 决策树的定义和结构 |
| 3.2 决策树的构造过程 |
| 3.3 常用的决策树算法简介 |
| 3.3.1 ID3算法简介 |
| 3.3.2 C4.5算法 |
| 3.3.3 CART算法 |
| 3.3.4 决策树的应用 |
| 3.4 本章总结 |
| 第四章 基于遗传算法的CART优化的研究 |
| 4.1 引言 |
| 4.2 遗传算法介绍 |
| 4.3 基于遗传算法的CART算法的研究分析 |
| 4.3.1 基于遗传算法的CART算法的基本原理 |
| 4.3.2 基于遗传算法的CART算法的基本步骤 |
| 4.3.3 基于遗传算法的CART算法的实现 |
| 4.4 算法验证 |
| 4.4.1 数据说明 |
| 4.4.2 基于CART算法的决策树分类 |
| 4.4.3 基于上层遗传算法优化分类规则的CART分类 |
| 4.4.4 基于双层遗传算法优化CART算法的过程 |
| 4.5 实验结果 |
| 第五章 总结和展望 |
| 参考文献 |
| 附录:算法用到的相关函数介绍 |
| 致谢 |
（9）电能计量异常数据识别与补偿方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 电能计量不良数据检测辨识研究现状 |
| 1.2.1 基于数理状态估计的不良数据检测方法 |
| 1.2.2 基于数据挖掘的不良数据检测方法 |
| 1.2.3 基于时间序列的不良数据检测方法 |
| 1.3 电能计量不良数据补偿方法研究现状 |
| 1.4 课题研究内容 |
| 2 电能计量异常数据的理论基础 |
| 2.1 电力用户用电信息采集系统结构 |
| 2.1.1 系统组成 |
| 2.1.2 系统物理结构 |
| 2.1.3 系统逻辑结构 |
| 2.2 电能计量数据 |
| 2.3 用电信息异常数据产生原因及分类 |
| 2.3.1 用电信息异常数据产生原因 |
| 2.3.2 用电信息异常数据种分类及其特征 |
| 2.4 用电信息异常数据识别与补偿方法的总体方案 |
| 3 基于聚类分析的负荷数据分类及异常数据特征提取 |
| 3.1 常用的聚类分析算法 |
| 3.2 基于k-means++聚类算法的数据分类及特征提取方法 |
| 3.2.1 k-means++聚类算法的基本原理 |
| 3.2.2 用户负荷数据预处理 |
| 3.2.3 基于手肘法的k值确定方法 |
| 3.2.4 聚类结果分析及异常数据提取方法 |
| 3.3 负荷数据分类及其特征提取实验测试 |
| 3.3.1 负荷数据的抽取 |
| 3.3.2 负荷数据预处理 |
| 3.3.3 聚类算法k值设置 |
| 3.3.4 负荷数据分类 |
| 3.3.5 含异常数据曲线特征提取 |
| 4 电能计量异常数据识别方法 |
| 4.1 异常数据识别方法的总体结构 |
| 4.2 基于GA-BP神经网络的异常负荷数据识别方法 |
| 4.2.1 BP神经网络概述 |
| 4.2.2 遗传算法原理 |
| 4.2.3 遗传算法优化的BP神经网络算法原理 |
| 4.2.4 异常数据识别方法的BP神经网络设计 |
| 4.2.5 异常数据识别方法的遗传算法设计 |
| 4.3 基于GA-BP神经网络的异常数据识别方法实验测试 |
| 4.3.1 样本数据的确定 |
| 4.3.2 算法参数设置 |
| 4.3.3 识别结果对比分析 |
| 5 异常负荷数据的补偿方法 |
| 5.1 异常数据补偿方法的总体结构 |
| 5.2 基于小波神经网络及用户特征异常数据补偿方法 |
| 5.2.1 小波理论概述 |
| 5.2.2 小波神经网络基本原理 |
| 5.2.3 基于小波神经网络的坏数据补偿方法 |
| 5.2.4 基于用户特征数据的畸变数据补偿方法 |
| 5.3 异常数据补偿方法测试 |
| 5.3.1 坏数据的补偿测试 |
| 5.3.2 畸变数据的补偿测试 |
| 6 结论与展望 |
| 参考文献 |
| 致谢 |
（10）优化BP神经网络在急性胸痛疾病分类诊断中的应用研究（论文提纲范文）
| 中文摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 神经网络在医学领域应用的国内外研究现状 |
| 1.3 急性胸痛疾病的研究现状 |
| 1.4 主要研究内容及论文架构 |
| 1.4.1 主要研究内容 |
| 1.4.2 论文结构安排 |
| 第2章 本文相关理论基础 |
| 2.1 BP神经网络概述 |
| 2.1.1 神经元及网络模型 |
| 2.1.2 BP神经网络学习原理 |
| 2.1.3 BP神经网络的设计过程 |
| 2.1.4 BP神经网络在急性胸痛疾病诊断中的适用性 |
| 2.2 遗传算法概述 |
| 2.2.1 遗传算法的基本原理及特点 |
| 2.2.2 遗传算法的设计流程 |
| 2.2.3 遗传算法优化BP神经网络的参数 |
| 2.3 数据挖掘原理 |
| 2.3.1 数据挖掘概念及主要任务 |
| 2.3.2 数据挖掘过程 |
| 2.4 本章小结 |
| 第3章 急性胸痛疾病及其数据处理 |
| 3.1 五种急性胸痛疾病的知识库 |
| 3.2 五种急性胸痛疾病数据收集及特征数据提取 |
| 3.2.1 样本数据来源及分析 |
| 3.2.2 特征数据挖掘、提取与预处理 |
| 3.3 本章小结 |
| 第4章 急性胸痛疾病诊断模型的构建 |
| 4.1 BP神经网络参数及结构设计 |
| 4.1.1 输入输出模式的确定 |
| 4.1.2 训练参数的选择 |
| 4.1.3 隐含层神经元数目的选择 |
| 4.2 遗传算法优化BP神经网络参数 |
| 4.2.1 遗传算法参数设定 |
| 4.2.2 优化前后BP网络学习过程对比 |
| 4.3 本章小结 |
| 第5章 急性胸痛疾病分类诊断系统的实现与测试 |
| 5.1 开发平台 |
| 5.2 系统设计与实现 |
| 5.2.1 诊断系统设计流程 |
| 5.2.2 用户界面 |
| 5.2.3 系统应用测试 |
| 5.3 测试结果分析 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 论文创新点 |
| 6.3 展望 |
| 参考文献 |
| 致谢 |
| 申请学位期间的研究成果及发表的学术论文 |
四、基于模糊系统和遗传算法的数据挖掘技术的研究（论文参考文献）
- [1]基于耦合DNA-GA-P系统的聚类分析研究[D]. 姜珍妮. 山东师范大学, 2021(10)
- [2]基于模糊编码遗传算法和改进LSTM-BPNN残差修正模型的燃气负荷预测[D]. 姜秋龙. 上海师范大学, 2021(07)
- [3]离散智能车间扰动预测与高效运行管控方法研究[D]. 仇永涛. 江南大学, 2020
- [4]模糊聚类在本科工程质量认证中的应用[D]. 张思维. 吉林建筑大学, 2020(04)
- [5]模糊神经网络在学生成绩预测中的研究应用[D]. 徐田丰. 青岛大学, 2019(02)
- [6]基于时滞时间挖掘的自适应模糊控制器的设计[D]. 宣树人. 华北理工大学, 2017(03)
- [7]CIMS数据库中数据挖掘关键技术的研究[D]. 皮德常. 南京航空航天大学, 2002(02)
- [8]基于GA的CART决策树改进算法与应用[D]. 刘亚芬. 广州大学, 2020(02)
- [9]电能计量异常数据识别与补偿方法研究[D]. 胡文烽. 辽宁工业大学, 2020(03)
- [10]优化BP神经网络在急性胸痛疾病分类诊断中的应用研究[D]. 周密. 天津职业技术师范大学, 2020(08)