| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第13-19页 |
| 1.1 课题研究背景及意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-16页 |
| 1.2.1 多模态复杂工况下软测量方法研究现状 | 第14-15页 |
| 1.2.2 迁移学习研究现状 | 第15-16页 |
| 1.3 本文主要研究内容 | 第16-19页 |
| 第2章 软测量技术与迁移学习 | 第19-35页 |
| 2.1 引言 | 第19页 |
| 2.2 实验设备与数据 | 第19-24页 |
| 2.2.1 小型实验室球磨机 | 第19页 |
| 2.2.2 实验数据采集与数据处理分析 | 第19-22页 |
| 2.2.3 磨机负荷参数 | 第22-24页 |
| 2.3 软测量技术概述 | 第24-26页 |
| 2.3.1 软测量技术 | 第24-25页 |
| 2.3.2 多模态复杂工况下传统软测量方法的不足 | 第25-26页 |
| 2.4 迁移学习概述 | 第26-33页 |
| 2.4.1 迁移学习的介绍 | 第26页 |
| 2.4.2 迁移学习的类型 | 第26-27页 |
| 2.4.3 迁移学习的方法 | 第27-28页 |
| 2.4.4 迁移学习的挑战 | 第28-31页 |
| 2.4.5 无监督回归迁移学习的挑战 | 第31-33页 |
| 2.5 本章小结 | 第33-35页 |
| 第3章 基于特征权重学习与软分类策略的域适应软测量 | 第35-49页 |
| 3.1 引言 | 第35-36页 |
| 3.2 理论与算法 | 第36-38页 |
| 3.2.1 流形正则化 | 第36页 |
| 3.2.2 随机权神经网络 | 第36-37页 |
| 3.2.3 最大均值差异 | 第37-38页 |
| 3.2.4 软分类策略与相似域选择 | 第38页 |
| 3.3 特征权重学习与软分类策略软测量方法建模 | 第38-42页 |
| 3.3.1 算法模型 | 第38-42页 |
| 3.4 实验结果与分析 | 第42-48页 |
| 3.4.1 球磨机数据采集 | 第42-43页 |
| 3.4.2 球磨机负荷参数预测实验 | 第43-47页 |
| 3.4.3 公开数据集实验 | 第47-48页 |
| 3.5 本章小结 | 第48-49页 |
| 第4章 基于联合子空间对齐与软分类策略的域适应软测量 | 第49-63页 |
| 4.1 引言 | 第49-50页 |
| 4.2 理论与算法 | 第50-52页 |
| 4.2.1 相似性域选择 | 第50页 |
| 4.2.2 目标域方差最大化 | 第50-51页 |
| 4.2.3 分布差异最小化 | 第51-52页 |
| 4.2.4 映射空间差异最小化 | 第52页 |
| 4.2.5 软分类策略 | 第52页 |
| 4.3 基于联合子空间对齐与软分类策略的软测量方法建模 | 第52-55页 |
| 4.3.1 算法模型 | 第52-55页 |
| 4.4 实验结果与分析 | 第55-62页 |
| 4.4.1 球磨机数据采集 | 第55-56页 |
| 4.4.2 球磨机负荷参数预测实验 | 第56-61页 |
| 4.4.3 公开数据集实验 | 第61-62页 |
| 4.5 本章小结 | 第62-63页 |
| 第5章 基于实例重加权与动态分布对齐的域适应软测量 | 第63-77页 |
| 5.1 引言 | 第63-64页 |
| 5.2 理论与算法 | 第64-67页 |
| 5.2.1 结构风险函数 | 第64-65页 |
| 5.2.2 动态分布对齐 | 第65-66页 |
| 5.2.3 拉普拉斯流形 | 第66页 |
| 5.2.4 实例重加权 | 第66-67页 |
| 5.3 基于实例重加权与动态分布对齐的无监督域适应软测量 | 第67-70页 |
| 5.3.1 算法模型 | 第67-70页 |
| 5.4 实验结果与分析 | 第70-75页 |
| 5.4.1 球磨机负荷参数预测实验 | 第70-74页 |
| 5.4.2 公开数据集实验 | 第74-75页 |
| 5.5 本章小结 | 第75-77页 |
| 第6章 总结与展望 | 第77-79页 |
| 参考文献 | 第79-87页 |
| 致谢 | 第87-89页 |
| 攻读学位期间发表的学术论文目录 | 第89页 |
