工业智能模型构建技术是工业领域智能制造的关键技术之一，数据挖掘及智能模型构建技术已逐渐成为工业生产领域工艺优化、质量控制、成本管理、效率提升等不可或缺的技术手段。本书系统论述了数据挖掘及智能模型构建的基本理论和典型方法，并结合工业生产过程智能模型的应用案例，通过基础知识与应用案例相结合的方法，一方面加深学生对基础知识的理解，另一方面重点培养学生解决复杂工业问题的能力。 本书为工程专业的本科生、研究生教学基础教材，也可供工业智能制造领域研发人员阅读参考。
贺东风，北京科技大学教授博士生导师，冶金与生态工程学院副院长。科研方向：冶金流程工程学；智能化炼钢、连铸技术；工业大数据挖掘与分析；冶金固废改质和高价值利用。主持和参与自然科学基金面上和重点项目、“973”项目、科技支撑项目、国家重点研发计划项目、工信部重点项目等国家级项目10余项；主持和参与钢铁企业合作项目20余项。在国内外知名学术刊物和会议上发表论文90余篇，其中SCIEI收录40余篇。兼任中国金属学会电冶金分会学术委员、中国金属学会青年工作委员会副秘书长。2017年获英国材料、矿物和矿业协会Adrian Normanton Award；唐钢建筑用长材高效率、低成本洁净钢制造平台项目获冶金科学技术奖二等奖。冯凯，北京科技大学讲师，贺东风团队成员。科研方向： 应用冶金流程工程学理论研究炼钢厂生产过程高效运行及系统优化问题，包括生产计划、钢包周转、天车调度等；钢铁联合企业能量流网络结构优化及动态调度方法研究；案例推理、神经网络等数据挖掘方法在钢铁生产过程中的应用。
1 概率论基础 1.1概率 1.1.1条件概率 1.1.2全概率公式 1.1.3独立事件 1.2随机变量 1.2.1离散随机变量 1.2.1连续随机变量 1.3马尔科夫链 1.3.1马尔科夫决策过程 1.3.2隐马尔科夫链 1.4排队模型 1.4.1排队理论 1.4.2排队网络 1.5可靠性理论 2 数理统计基础 2.1基本概念 2.1.1总体、个体、样本 2.1.2统计量和充分统计量 2.1.3统计模型 2.1.4统计推断 2.1.5经验分布函数 2.1.6特征函数 2.2参数估计 2.2.1点估计 2.2.2区间估计 2.3假设检验 2.3.1正态总体参数的假设检验 2.3.2 Pearson检验法 2.3.3似然比检验 3 数据分析方法基础 3.1回归分析 3.1.1一元线性回归 3.1.2多元线性回归 3.1.3非线性回归 3.2方差分析与正交试验设计 3.2.1方差分析 3.2.2正交试验设计 3.3判别分析 3.3.1 Bayes判别 3.3.2 Fisher判别 3.4相关分析 3.4.1主成分分析 3.4.2因子分析 3.4.3典型相关分析 3.5时间序列分析 3.6优化建模基础 4 数据挖掘与数据分析 4.1概述 4.1.1什么是数据挖掘？ 4.1.2数据挖掘任务 4.1.3数据挖掘系统的分类 4.1.4数据挖掘在工业中的应用 4.2数据 4.2.1数据的类型 4.2.2数据的质量 4.2.3数据预处理 4.2.4数据的相异度和相似度 4.3分类分析 4.3.1分类的定义 4.3.2分类的步骤 4.3.3分类算法 4.3.4应用案例 4.4聚类分析 4.4.1理论简介 4.4.2相似性计算 4.4.3主要聚类方法的分类 4.4.4聚类算法 4.4.5应用案例 4.5关联分析 4.5.1关联分析基本原理 4.5.2关联分析核心算法 4.5.3应用案例 5 经典机器学习算法 5.1多元线性回归 5.1.1多元线性回归概论 5.1.2最小二乘法求解多元线性回归 5.1.3多元线性模型的检验 5.1.4 应用案例 5.2支持向量机 5.2.1支持向量机基本原理 5.2.2支持向量机算法流程 5.2.3支持向量回归机 5.2.4应用案例 5.3人工神经网络 5.3.1神经元 5.3.2人工神经网络模型 5.3.3人工神经网络的结构 5.3.4学习过程 5.3.5应用案例 5.4决策树 5.4.1决策树的基本原理 5.4.2划分的选择 5.4.3剪枝处理 5.4.4决策树算法的主要特点 5.4.5应用案例：Web爬虫检测 5.5随机森林 5.5.1随机森林概论 5.5.2随机森林的构建过程 5.5.3随机森林的随机性分析 5.5.4随机森林算法的改进 5.5.5应用案例 5.6案例推理 5.6.1 CBR的学习机制 5.6.2 CBR的循环处理模型 5.6.3 CBR的优势与不足 5.6.4 应用案例 5.7Boosting和AdaBoost 5.7.1 Adaboost算法概论 5.7.2 Adaboost算法的不同理论分析模型 5.7.3多分类的Adaboost算法 5.7.4 Adaboost算法的改进 5.7.5 应用案例 5.8遗传算法 5.8.1遗传算法的特点 5.8.2遗传算法基本概念与术语 5.8.3遗传算法基本操作 5.8.4应用案例 5.9模拟退火算法 5.9.1模拟退火算法原理 5.9.2模拟退火算法流程 5.9.3应用案例 5.10粒子群优化算法 5.10.1粒子群优化算法原理 5.10.2粒子群优化算法流程 5.10.3应用案例 6 前沿人工智能算法 6.1深度学习 6.1.1深度学习的发展历程 6.1.2深度学习和传统机器学习的差异 6.1.3深度学习典型网络介绍 6.1.4应用案例 6.2深度强化学习 6.2.1强化学习 6.2.2深度强化学习模型算法介绍 6.2.3应用案例 6.3生成式对抗神经网络 6.3.1生成式对抗神经网络的基本结构及原理 6.3.2生成式对抗神经网络的衍生模型 6.3.3应用案例 6.4多模态学习 6.4.1多模态学习的定义 6.4.2多模态学习的基本准则 6.4.3多模态学习技术 6.4.4多模态学习的相关算法 6.4.5应用案例 6.5迁移学习 6.5.1迁移学习基本原理 6.5.2迁移学习类型划分 6.5.3深度迁移学习 6.5.4相似性度量准则 6.5.5应用案例 7 工业应用案例 7.1钢铁生产过程作业计划优化 7.1.1研究背景及意义 7.1.2问题描述 7.1.3模型及求解 7.1.4案例分析 7.2炼钢过程钢水温度预测 7.2.1研究背景及意义 7.2.2问题描述 7.2.3模型及求解 7.2.4案例分析 7.3高效板坯连铸结晶器漏钢预报 7.3.1研究背景及意义 7.3.2问题描述 7.3.3模型及求解 7.3.4案例分析 7.4钢铁流程静态能量流网络数学建模及求解 7.4.1研究背景及意义 7.4.2问题描述 7.4.3模型及求解 7.4.4案例分析 7.5钢铁企业能量流网络动态运行优化 7.5.1研究背景及意义 7.5.2问题描述 7.5.3模型及求解 7.5.4案例分析 7.6炼钢车间天车智能动态调度 7.6.1研究背景及意义 7.6.2问题描述 7.6.3模型及求解 7.6.4案例分析 7.7转炉工序终点预测和控制优化 7.7.1研究背景及意义 7.7.2问题描述 7.7.3模型及求解 7.7.4案例分析 8 代码实现 8.1分类分析 8.2聚类分析 8.3关联分析 8.4多元线性回归 8.5支持向量机 8.6人工神经网络 8.7决策树 8.8随机森林 8.9案例推理 8.10 Boosting和AdaBoost 8.11遗传算法 8.12模拟退火 8.13粒子群优化算法 参考文献
书单推荐
