| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 创新点摘要 | 第8-12页 |
| 第1章 引言 | 第12-26页 |
| 1.1 课题研究意义 | 第12页 |
| 1.2 软测量技术概述 | 第12-15页 |
| 1.2.1 软测量技术的基本原理 | 第12-13页 |
| 1.2.2 软测量模型的分类 | 第13页 |
| 1.2.3 软测量技术的工程实现 | 第13-15页 |
| 1.3 国内外研究现状 | 第15-23页 |
| 1.3.1 基于全局学习的软测量建模方法 | 第15-17页 |
| 1.3.2 全局学习软测量模型的自适应学习机制 | 第17-18页 |
| 1.3.3 基于局部学习的软测量建模方法 | 第18-20页 |
| 1.3.4 局部学习软测量模型的自适应学习机制 | 第20-23页 |
| 1.4 基于局部学习的自适应软测量建模方法中有待解决的问题 | 第23页 |
| 1.5 论文的主要内容和结构安排 | 第23-26页 |
| 第2章 基于有监督结构保持投影的即时学习软测量建模方法 | 第26-43页 |
| 2.1 即时学习与加权最小二乘支持向量回归 | 第26-28页 |
| 2.1.1 即时学习 | 第26-27页 |
| 2.1.2 加权最小二乘支持向量回归 | 第27-28页 |
| 2.2 有监督结构保持投影 | 第28-32页 |
| 2.2.1 局部与非局部结构保持投影 | 第28-31页 |
| 2.2.2 有监督结构保持投影 | 第31-32页 |
| 2.3 自适应数据库监控 | 第32页 |
| 2.4 基于SSPP的即时学习软测量建模方法 | 第32-33页 |
| 2.5 仿真研究 | 第33-42页 |
| 2.5.1 在S-curve和Swiss roll数据集上的仿真结果及分析 | 第33-35页 |
| 2.5.2 在硫回收单元上的仿真结果及分析 | 第35-42页 |
| 2.6 本章小结 | 第42-43页 |
| 第3章 基于统计假设检验的自适应过程状态分割方法 | 第43-53页 |
| 3.1 局部模型辨识 | 第43-47页 |
| 3.2 冗余模型判别 | 第47-49页 |
| 3.3 过程状态分割方法的实现 | 第49-50页 |
| 3.4 仿真研究 | 第50-52页 |
| 3.5 本章小结 | 第52-53页 |
| 第4章 基于局部模型在线切换的软测量建模方法 | 第53-74页 |
| 4.1 局部偏最小二乘模型 | 第53-54页 |
| 4.2 局部模型在线切换机制 | 第54-57页 |
| 4.3 基于粒子群优化技术的模型参数整定 | 第57-58页 |
| 4.4 仿真研究 | 第58-73页 |
| 4.4.1 在连续搅拌反应釜上的仿真结果及分析 | 第59-66页 |
| 4.4.2 在脱丁烷塔过程上的仿真结果及分析 | 第66-70页 |
| 4.4.3 在硫回收单元上的仿真结果及分析 | 第70-73页 |
| 4.5 本章小结 | 第73-74页 |
| 第5章 基于选择性集成学习的软测量建模方法 | 第74-94页 |
| 5.1 集成学习 | 第74-76页 |
| 5.2 基于选择性集成学习的软测量建模方法 | 第76-79页 |
| 5.3 仿真研究 | 第79-93页 |
| 5.3.1 在连续搅拌反应釜上的仿真结果及分析 | 第79-88页 |
| 5.3.2 在硫回收单元上的仿真结果及分析 | 第88-93页 |
| 5.4 本章小结 | 第93-94页 |
| 第6章 基于半监督集成学习的软测量建模方法及性能评价方法 | 第94-107页 |
| 6.1 样本到模型距离 | 第94-96页 |
| 6.2 半监督选择性集成学习方法 | 第96-97页 |
| 6.3 S~3EL-DM的性能评价 | 第97-98页 |
| 6.4 仿真研究 | 第98-106页 |
| 6.5 本章小结 | 第106-107页 |
| 总结 | 第107-109页 |
| 参考文献 | 第109-119页 |
| 攻读博士学位期间取得的研究成果 | 第119-121页 |
| 致谢 | 第121-122页 |
| 作者简介 | 第122页 |
