| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-20页 |
| 1.1 引言 | 第10页 |
| 1.2 化工故障诊断 | 第10-12页 |
| 1.2.1 化工故障诊断及其研究意义 | 第10-11页 |
| 1.2.2 化工故障诊断的研究现状 | 第11-12页 |
| 1.3 群智能优化算法 | 第12-18页 |
| 1.3.1 粒子群算法 | 第12-13页 |
| 1.3.2 差分进化算法 | 第13-15页 |
| 1.3.3 蚁群算法 | 第15-17页 |
| 1.3.4 混合蛙跳算法 | 第17-18页 |
| 1.4 本文的结构与安排 | 第18-20页 |
| 第二章 田纳西伊斯曼故障诊断模型 | 第20-26页 |
| 2.1 引言 | 第20页 |
| 2.2 建模对象过程介绍 | 第20-22页 |
| 2.3 过程数据与预处理 | 第22-23页 |
| 2.4 预报模型的性能指标 | 第23-24页 |
| 2.5 小结 | 第24-26页 |
| 第三章 基于PSO算法的加权最小二乘支持向量机诊断模型 | 第26-40页 |
| 3.1 引言 | 第26页 |
| 3.2 加权最小二乘支持向量机简介 | 第26-29页 |
| 3.3 PSO-WLSSVM诊断模型 | 第29-30页 |
| 3.4 PSO-WLSSVM算法优化性能分析 | 第30-37页 |
| 3.5 小结 | 第37-40页 |
| 第四章 基于DEPSO算法的相关向量机故障诊断模型 | 第40-52页 |
| 4.1 引言 | 第40页 |
| 4.2 相关向量机简介 | 第40-42页 |
| 4.3 DEPSO-RVM诊断模型 | 第42-43页 |
| 4.3.1 差分进化粒子群优化算法 | 第42页 |
| 4.3.2 DEPSO算法优化RVM模型步骤和参数设置 | 第42-43页 |
| 4.4 DEPSO-RVM模型性能分析 | 第43-49页 |
| 4.5 小结 | 第49-52页 |
| 第五章 基于MSFLA的极限学习机故障诊断模型 | 第52-66页 |
| 5.1 引言 | 第52页 |
| 5.2 核极限学习机简介 | 第52-54页 |
| 5.3 SFLA-KELM优化模型 | 第54-55页 |
| 5.4 MSFLA-KELM | 第55-58页 |
| 5.4.1 自适应变异混合蛙跳算法 | 第55-56页 |
| 5.4.2 MSFLA算法优化KELM模型步骤和参数设置 | 第56-58页 |
| 5.5 MSFLA-KELM模型性能分析 | 第58-64页 |
| 5.6 小结 | 第64-66页 |
| 第六章 总结和展望 | 第66-68页 |
| 6.1 全文总结 | 第66-67页 |
| 6.2 研究设想和展望 | 第67-68页 |
| 参考文献 | 第68-74页 |
| 致谢 | 第74-75页 |
| 作者攻读硕士期间的成果 | 第75页 |
