基于核函数优化的KPCA方法及其在发酵过程中应用
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第11-23页 |
| 1.1 研究背景及意义 | 第11页 |
| 1.2 发酵过程基础知识 | 第11-16页 |
| 1.2.1 微生物发酵过程简介 | 第11-12页 |
| 1.2.2 发酵过程的主要参数 | 第12-13页 |
| 1.2.3 过程参数对发酵的影响 | 第13-15页 |
| 1.2.4 青霉素发酵过程监测现状 | 第15-16页 |
| 1.3 过程监测方法分类 | 第16-18页 |
| 1.3.1 基于数学模型的方法 | 第16页 |
| 1.3.2 基于先验知识的方法 | 第16-17页 |
| 1.3.3 基于多元统计的方法 | 第17-18页 |
| 1.4 基于数据的统计过程监测方法 | 第18-22页 |
| 1.4.1 单变量统计过程监测 | 第18页 |
| 1.4.2 多变量统计过程监测 | 第18-22页 |
| 1.5 论文主要工作 | 第22-23页 |
| 第2章 相关理论知识 | 第23-37页 |
| 2.1 主元分析 | 第23-29页 |
| 2.1.1 主元分析方法的基本思想 | 第23页 |
| 2.1.2 提取主元的理论推导 | 第23-26页 |
| 2.1.3 主元个数的确定方法 | 第26-29页 |
| 2.2 核主元分析 | 第29-35页 |
| 2.2.1 核函数简介 | 第29-31页 |
| 2.2.2 核主元分析算法 | 第31-33页 |
| 2.2.3 核主元分析过程监测方法 | 第33-35页 |
| 2.3 小结 | 第35-37页 |
| 第3章 KPCA核函数种类及其参数确定方法 | 第37-55页 |
| 3.1 KPCA应用现状 | 第37页 |
| 3.2 优化指标分析 | 第37-38页 |
| 3.3 优化问题求解分析 | 第38-40页 |
| 3.4 遗传算法的基本原理 | 第40-47页 |
| 3.4.1 遗传算法的基本概念 | 第40-44页 |
| 3.4.2 遗传算法的特点 | 第44-45页 |
| 3.4.3 遗传算法的应用范围 | 第45-46页 |
| 3.4.4 遗传算法的主要步骤 | 第46-47页 |
| 3.5 遗传算法的设计 | 第47-49页 |
| 3.5.1 参数的编码 | 第47页 |
| 3.5.2 初始化群体的设定 | 第47页 |
| 3.5.3 适应度函数的设计 | 第47-48页 |
| 3.5.4 遗传操作 | 第48-49页 |
| 3.5.5 终止条件的设计 | 第49页 |
| 3.6 基于遗传算法的KPCA优化过程 | 第49-53页 |
| 3.7 小结 | 第53-55页 |
| 第4章 青霉素发酵过程的监测 | 第55-65页 |
| 4.1 PENSIM仿真平台介绍 | 第55-58页 |
| 4.1.1 Pensim仿真平台组成 | 第55-56页 |
| 4.1.2 发酵过程的变量参数 | 第56-57页 |
| 4.1.3 Pensim提供的三种故障 | 第57-58页 |
| 4.2 建立优化的青霉素发酵过程模型 | 第58-59页 |
| 4.2.1 变量选择及数据的产生 | 第58页 |
| 4.2.2 建立青霉素发酵模型 | 第58-59页 |
| 4.3 青霉素发酵过程优化模型求解与在线监测 | 第59-63页 |
| 4.4 小结 | 第63-65页 |
| 第5章 总结与展望 | 第65-67页 |
| 5.1 总结 | 第65-66页 |
| 5.2 展望 | 第66-67页 |
| 参考文献 | 第67-71页 |
| 致谢 | 第71页 |
