摘要 | 第1-6页 |
Abstract | 第6-9页 |
第1章 绪论 | 第9-16页 |
·课题背景及研究意义 | 第9-10页 |
·颗粒粒度检测方法 | 第10-11页 |
·离线颗粒粒度检测方法 | 第10页 |
·在线颗粒粒度检测方法 | 第10-11页 |
·颗粒粒度软测量技术概述 | 第11-14页 |
·软测量建模方法 | 第12-13页 |
·国内外粒度软测量研究现状 | 第13-14页 |
·论文结构及内容安排 | 第14-16页 |
第2章 混合核支持向量机回归算法 | 第16-26页 |
·支持向量回归机 | 第16-19页 |
·线性SVM回归机 | 第16-18页 |
·非线性SVM回归机 | 第18-19页 |
·核函数 | 第19-20页 |
·混合核函数 | 第20-22页 |
·最小二乘支持向量机 | 第22-25页 |
·最小二乘支持向量机介绍 | 第22-24页 |
·最小二乘支持向量机应用 | 第24-25页 |
·小结 | 第25-26页 |
第3章 基于小波变异的粒子群算法 | 第26-43页 |
·粒子群算法 | 第26-28页 |
·改进粒子群算法 | 第28-36页 |
·引进平均最优位置的PSO算法(MPSO) | 第28-29页 |
·基于小波变异的改进PSO算法(WMPSO) | 第29-32页 |
·改进粒子群算法仿真及性能测试 | 第32-36页 |
·量子粒子群算法 | 第36-42页 |
·改进量子粒子群算法 | 第37-39页 |
·改进量子粒子群算法仿真及性能测试 | 第39-42页 |
·小结 | 第42-43页 |
第4章 基于改进量子粒子群算法的支持向量机参数优化 | 第43-55页 |
·回归模型参数分析 | 第43-44页 |
·不敏感系数ε | 第43页 |
·惩罚因子C | 第43页 |
·核参数 | 第43-44页 |
·LS-SVR模型参数的优化方法 | 第44-45页 |
·交叉验证法 | 第44-45页 |
·网格搜索法 | 第45页 |
·LS-SVR参数优化新思路 | 第45页 |
·基于WQPSO的LS-SVR的参数优化 | 第45-47页 |
·非线性函数性能验证 | 第47-50页 |
·实验数据性能验证 | 第50-54页 |
·小结 | 第54-55页 |
第5章 基于改进的支持向量机的颗粒粒度软测量建模 | 第55-62页 |
·颗粒粒度软测量辅助变量的选择 | 第55页 |
·数据采集及预处理 | 第55-58页 |
·基于WQPSO-LSSVR建立颗粒粒度软测量模型 | 第58-61页 |
·小结 | 第61-62页 |
第6章 总结与展望 | 第62-64页 |
·本文的工作总结 | 第62页 |
·本文所做的主要工作 | 第62页 |
·本文创新点 | 第62页 |
·工作展望 | 第62-64页 |
参考文献 | 第64-69页 |
致谢 | 第69-70页 |
作者在攻读硕士学位期间发表论文 | 第70页 |