| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第7-13页 |
| 1.1 引言 | 第7页 |
| 1.2 PTA氧化过程及研究现状 | 第7-9页 |
| 1.2.1 PTA工艺简介 | 第7-8页 |
| 1.2.2 PTA研究发展及现状 | 第8-9页 |
| 1.3 软测量技术 | 第9-12页 |
| 1.3.1 软测量的数学描述 | 第9-11页 |
| 1.3.2 软测量模型的建立 | 第11-12页 |
| 1.4 研究内容与论文结构 | 第12-13页 |
| 第二章 相关理论基础 | 第13-25页 |
| 2.1 BP神经网络 | 第13-16页 |
| 2.1.1 网络结构 | 第13-14页 |
| 2.1.2 BP算法 | 第14-16页 |
| 2.2 支持向量机 | 第16-18页 |
| 2.2.1 简介 | 第16页 |
| 2.2.2 支持向量机回归算法简介 | 第16-18页 |
| 2.3 AdaBoost算法 | 第18-25页 |
| 2.3.1 算法概述 | 第18-19页 |
| 2.3.2 算法原理及描述 | 第19-23页 |
| 2.3.3 对AdaBoost算法的改进 | 第23-25页 |
| 第三章 基于改进BP_AdaBoost算法的软测量技术 | 第25-38页 |
| 3.1 PTA生产建模研究 | 第25-26页 |
| 3.2 改进BP_AdaBoost算法仿真实例及结果分析 | 第26-31页 |
| 3.3 基于改进的BP_AdaBoost算法的 4-CBA含量软测量 | 第31-38页 |
| 3.3.1 改进BP_AdaBoost算法软测量建模 | 第32-36页 |
| 3.3.2 模型结构优化 | 第36-38页 |
| 第四章 基于改进SVR_AdaBoost算法的软测量技术 | 第38-48页 |
| 4.1 基于改进SVR_AdaBoost算法 | 第38-41页 |
| 4.1.1 SVR模型的训练仿真步骤 | 第38-39页 |
| 4.1.2 改进SVR_AdaBoost算法描述 | 第39-41页 |
| 4.2 基于改进的SVR_AdaBoost算法的 4-CBA含量软测量 | 第41-48页 |
| 4.2.1 改进算法在PTA氧化过程中的仿真 | 第41-44页 |
| 4.2.2 算法模型的分析 | 第44-45页 |
| 4.2.3 基于不同弱学习器的 4-CBA含量的软测量精度建模分析 | 第45-48页 |
| 第五章 总结与展望 | 第48-50页 |
| 5.1 总结 | 第48-49页 |
| 5.2 展望 | 第49-50页 |
| 参考文献 | 第50-52页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第52-53页 |
| 附录2 攻读硕士学位期间申请的专利 | 第53-54页 |
| 致谢 | 第54页 |
