| 摘要 | 第1-6页 |
| Abstract | 第6-8页 |
| 目录 | 第8-11页 |
| 第1章 绪论 | 第11-21页 |
| ·课题背景 | 第11-12页 |
| ·软测量技术 | 第12-17页 |
| ·软测量技术发展现状 | 第12-13页 |
| ·软测量模型描述 | 第13页 |
| ·建立软测量模型方法 | 第13-15页 |
| ·影响软测量模型性能的主要因素 | 第15-16页 |
| ·软测量模型的校正 | 第16-17页 |
| ·RBF神经网络学习算法研究现状 | 第17-18页 |
| ·本文主要工作 | 第18-21页 |
| 第2章 RBF神经网络基础 | 第21-37页 |
| ·人工神经网络理论 | 第21-24页 |
| ·人工神经网络概念及其特点 | 第21页 |
| ·人工神经网络发展史 | 第21-22页 |
| ·人工神经网络模型 | 第22-24页 |
| ·径向基函数简介(Radial Basis Function) | 第24-25页 |
| ·径向基函数网络的数学根据 | 第25-28页 |
| ·正则化方法 | 第25-27页 |
| ·正则化网络 | 第27-28页 |
| ·RBF神经网络理论基础 | 第28-30页 |
| ·RBF神经网络结构 | 第28-29页 |
| ·RBF神经网络的特点 | 第29页 |
| ·RBF神经网络的映射机理 | 第29-30页 |
| ·RBF神经网络常见学习算法 | 第30-34页 |
| ·训练准则 | 第30-31页 |
| ·常见算法 | 第31-34页 |
| ·径向基函数神经网络的研究展望 | 第34-35页 |
| ·本章小结 | 第35-37页 |
| 第3章 蚁群聚类优化RBF神经网络 | 第37-61页 |
| ·最优化问题 | 第37-41页 |
| ·最优化理论 | 第37-38页 |
| ·优化算法分类及其发展 | 第38-40页 |
| ·组合优化问题 | 第40-41页 |
| ·蚁群算法 | 第41-48页 |
| ·基本蚁群算法 | 第41-44页 |
| ·蚁群优化算法 | 第44-48页 |
| ·聚类算法 | 第48-55页 |
| ·聚类问题的数学模型 | 第48-50页 |
| ·解聚类问题的几种算法 | 第50-51页 |
| ·蚁群聚类算法 | 第51-55页 |
| ·蚁群聚类算法优化RBF神经网络 | 第55-58页 |
| ·算法仿真试验 | 第58-60页 |
| ·太阳黑子数预测 | 第58页 |
| ·仿真分析 | 第58-60页 |
| ·小结 | 第60-61页 |
| 第4章 软测量建模及工业应用 | 第61-75页 |
| ·数据来源及影响因素 | 第61-62页 |
| ·原始数据及数据来源 | 第61页 |
| ·铜酸浓度影响因素分析 | 第61-62页 |
| ·铜酸浓度预测 | 第62-63页 |
| ·铜酸浓度预测可行性分析 | 第62页 |
| ·铜酸浓度预测的方法及意义 | 第62页 |
| ·数据预处理 | 第62-63页 |
| ·软测量建模 | 第63-66页 |
| ·建立模型 | 第63-65页 |
| ·选取辅助变量 | 第65-66页 |
| ·仿真结果分析 | 第66-70页 |
| ·软测量模型校正 | 第70-73页 |
| ·短期校正 | 第71-73页 |
| ·长期校正 | 第73页 |
| ·本章小结 | 第73-75页 |
| 第5章 结论与展望 | 第75-77页 |
| ·结论 | 第75-76页 |
| ·展望 | 第76-77页 |
| 参考文献 | 第77-81页 |
| 致谢 | 第81页 |