| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 目录 | 第7-9页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 课题背景 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-15页 |
| 1.2.1 发酵过程建模方法研究现状 | 第10-12页 |
| 1.2.1.1 "白箱"建模 | 第10页 |
| 1.2.1.2 "灰箱"建模 | 第10-11页 |
| 1.2.1.3 "黑箱"建模 | 第11-12页 |
| 1.2.2 核函数构造方法研究现状 | 第12-13页 |
| 1.2.3 支持向量机参数选择方法研究现状 | 第13-15页 |
| 1.3 论文的组织结构 | 第15页 |
| 1.4 本章小结 | 第15-17页 |
| 第2章 支持向量机建模理论 | 第17-31页 |
| 2.1 机器学习理论 | 第17页 |
| 2.2 统计学习理论与支持向量机 | 第17-24页 |
| 2.2.1 支持向量分类机 | 第18-20页 |
| 2.2.2 支持向量回归机 | 第20-24页 |
| 2.3 基于支持向量回归机的建模方法 | 第24-26页 |
| 2.3.1 基于支持向量回归机的建模原理 | 第24-25页 |
| 2.3.2 基于支持向量回归机的发酵过程建模步骤 | 第25-26页 |
| 2.4 现有建模方法的不足 | 第26-29页 |
| 2.5 本章小结 | 第29-31页 |
| 第3章 基于标准 SVM 的发酵过程动态建模 | 第31-43页 |
| 3.1 局部学习理论 | 第31-32页 |
| 3.2 样本相似度评价准则的选取 | 第32-35页 |
| 3.2.1 动态时间规整 | 第32-33页 |
| 3.2.2 基于亲和度的加权欧式距离 | 第33-35页 |
| 3.3 基于 SVM 的发酵过程动态建模 | 第35-36页 |
| 3.4 SVM 动态建模方法在大肠杆菌发酵过程中的应用 | 第36-42页 |
| 3.4.1 大肠杆菌发酵过程介绍 | 第36-38页 |
| 3.4.2 仿真结果 | 第38-40页 |
| 3.4.3 问题讨论 | 第40-42页 |
| 3.5 本章小结 | 第42-43页 |
| 第4章 基于 MKSVM 的发酵过程动态建模 | 第43-55页 |
| 4.1 核函数 | 第43-46页 |
| 4.1.1 核函数及其性质 | 第43-44页 |
| 4.1.2 常用核函数性质的验证 | 第44-46页 |
| 4.2 多核函数构造及其验证 | 第46-48页 |
| 4.3 基于 MKSVM 建立发酵过程的动态模型 | 第48-51页 |
| 4.4 仿真实验 | 第51-53页 |
| 4.5 本章小结 | 第53-55页 |
| 第5章 基于自适应遗传算法的 MKSVM 参数选择 | 第55-67页 |
| 5.1 遗传算法 | 第55-56页 |
| 5.2 自适应遗传算法及其改进 | 第56-60页 |
| 5.3 基于 IAGA 的 MKSVM 参数选择 | 第60-62页 |
| 5.4 基于 IAGA 的 MKSVM 参数选择方法在大肠杆菌发酵中的应用 | 第62-66页 |
| 5.4.1 模型参数取值范围的确定 | 第62-64页 |
| 5.4.2 IAGA 选择 MKSVM 参数 | 第64-65页 |
| 5.4.3 仿真实验 | 第65-66页 |
| 5.5 本章小结 | 第66-67页 |
| 总结与展望 | 第67-69页 |
| 论文总结 | 第67-68页 |
| 研究展望 | 第68-69页 |
| 参考文献 | 第69-73页 |
| 攻读硕士学位期间所发表的学术论文 | 第73-75页 |
| 致谢 | 第75页 |
