| 摘要 | 第1-4页 |
| Abstract | 第4-5页 |
| 目录 | 第5-7页 |
| 第一章 绪论 | 第7-15页 |
| ·课题背景及意义 | 第7-8页 |
| ·软测量概述与研究现状 | 第8-11页 |
| ·最大熵概述与研究现状 | 第11-13页 |
| ·论文研究内容及安排 | 第13-15页 |
| 第二章 熵、互信息及最大熵分布 | 第15-21页 |
| ·引言 | 第15页 |
| ·熵及其性质 | 第15-16页 |
| ·互信息及其性质 | 第16-17页 |
| ·熵与互信息的关系 | 第17-18页 |
| ·最大熵分布 | 第18-19页 |
| ·一维变量的最大熵分布 | 第18-19页 |
| ·多维变量的最大熵分布 | 第19页 |
| ·本章小结 | 第19-21页 |
| 第三章 基于互信息的软测量变量选择 | 第21-31页 |
| ·引言 | 第21页 |
| ·最大熵分布 | 第21-22页 |
| ·互信息与 t 检验法 | 第22-23页 |
| ·互信息 | 第22页 |
| ·t 检验法 | 第22-23页 |
| ·基于互信息的辅助变量选择 | 第23-24页 |
| ·支持向量机回归算法 | 第24-27页 |
| ·仿真实例 | 第27-29页 |
| ·本章小结 | 第29-31页 |
| 第四章 基于快速独立分量分析的苯酚浓度软测量 | 第31-37页 |
| ·引言 | 第31页 |
| ·训练样本集的 Fast-ICA 分解 | 第31-33页 |
| ·基于互信息的 Fast-ICA 变换矩阵确定方法 | 第33-34页 |
| ·互信息定义 | 第33页 |
| ·互信息的近似计算 | 第33-34页 |
| ·基于 Fast-ICA 的样本特征提取 | 第34页 |
| ·仿真实例 | 第34-36页 |
| ·本章小结 | 第36-37页 |
| 第五章 基于最大熵的样本集补全 | 第37-45页 |
| ·引言 | 第37页 |
| ·样本补全相关原理 | 第37-38页 |
| ·贝叶斯定理与极大后验假设 | 第37-38页 |
| ·最大熵分布 | 第38页 |
| ·结合聚类分析的极大后验假设 | 第38-40页 |
| ·仿真实例 | 第40-43页 |
| ·样本补全仿真实例 | 第40-42页 |
| ·基于最大熵方法的软测量模型仿真实例 | 第42-43页 |
| ·本章小结 | 第43-45页 |
| 第六章 基于 SVM 的半监督软测量方法 | 第45-53页 |
| ·引言 | 第45页 |
| ·基于 SVM 回归的半监督学习 | 第45-47页 |
| ·SVM 回归原理分析 | 第45-47页 |
| ·寻找无标记样本中的 PSV | 第47页 |
| ·标记 PSV | 第47-48页 |
| ·仿真实例 | 第48-51页 |
| ·本章小结 | 第51-53页 |
| 主要结论与展望 | 第53-55页 |
| 主要结论 | 第53页 |
| 展望 | 第53-55页 |
| 致谢 | 第55-56页 |
| 参考文献 | 第56-60页 |
| 附录: 作者在攻读硕士学位期间发表的论文 | 第60页 |