面向过程监控的非线性特征提取方法研究
| 致谢 | 第1-7页 |
| 摘要 | 第7-9页 |
| Abstract | 第9-12页 |
| 目录 | 第12-14页 |
| 第1章 绪论 | 第14-30页 |
| 摘要 | 第14页 |
| ·特征提取的含义 | 第14-15页 |
| ·特征提取的线性方法 | 第15-17页 |
| ·特征提取的非线性方法 | 第17-24页 |
| ·神经网络技术用于非线性特征提取 | 第17-19页 |
| ·基于核方法的非线性特征提取 | 第19-20页 |
| ·基于主曲线的非线性表示 | 第20-23页 |
| ·非线性特征提取技术的发展脉络 | 第23-24页 |
| ·特征提取技术在过程监控领域的应用 | 第24-26页 |
| ·本文研究的重点和依据 | 第26-28页 |
| ·本章小结和本文主要研究内容 | 第28-30页 |
| 第2章 基于极限学习机的特征提取方法 | 第30-50页 |
| 摘要 | 第30页 |
| ·引言 | 第30-31页 |
| ·基本理论 | 第31-38页 |
| ·主成分分析方法 | 第31-35页 |
| ·极限学习机分类方法 | 第35-38页 |
| ·基本的PCA-ELM模型及其改进 | 第38-41页 |
| ·仿真示例 | 第41-48页 |
| ·TE过程简介 | 第41-43页 |
| ·计算结果和讨论 | 第43-47页 |
| ·和BP神经网络模型的对比 | 第47-48页 |
| ·小结 | 第48-50页 |
| 第3章 基于核技术的非线性特征提取方法 | 第50-70页 |
| 摘要 | 第50页 |
| ·引言 | 第50-51页 |
| ·支持向量机的基本理论 | 第51-56页 |
| ·支持向量机及分类 | 第51-55页 |
| ·支持向量回归 | 第55-56页 |
| ·SVR算法的参数寻优 | 第56-61页 |
| ·粒子群优化算法 | 第57-59页 |
| ·对标准PSO算法的改进 | 第59-61页 |
| ·在乙烯聚合反应过程中的实施 | 第61-67页 |
| ·乙烯聚合反应过程介绍 | 第61-63页 |
| ·计算结果和讨论 | 第63-67页 |
| ·小结 | 第67-70页 |
| 第4章 基于主曲线结合非线性PLS的特征提取方法 | 第70-88页 |
| 摘要 | 第70页 |
| ·引言 | 第70-71页 |
| ·基本理论 | 第71-76页 |
| ·PLS模型的基本原理 | 第71-73页 |
| ·主曲线提取非线性特征 | 第73-76页 |
| ·基于主曲线的多项式最小二乘模型 | 第76-78页 |
| ·多项式最小二乘法 | 第76-77页 |
| ·相关性增强的PCPLS算法 | 第77-78页 |
| ·多种类型数据的实验 | 第78-85页 |
| ·数学函数数据 | 第78-80页 |
| ·EDC精馏单元关键流股含水量的测量 | 第80-85页 |
| ·PCPLS方法和非线性支持向量回归的对比 | 第85-86页 |
| ·小结 | 第86-88页 |
| 第5章 基于主曲线结合多尺度分析的过程监控方法 | 第88-112页 |
| 摘要 | 第88页 |
| ·引言 | 第88-91页 |
| ·Kramer的NLPCA方法 | 第91-93页 |
| ·多尺度主曲线的实现 | 第93-99页 |
| ·多尺度分析 | 第94-96页 |
| ·用于过程监控的多尺度主曲线算法 | 第96-99页 |
| ·多种类型数据的实验 | 第99-110页 |
| ·数学函数数据 | 第99-104页 |
| ·CSTR过程的监控 | 第104-110页 |
| ·小结 | 第110-112页 |
| 第6章 总结与展望 | 第112-118页 |
| 摘要 | 第112页 |
| ·研究工作总结 | 第112-113页 |
| ·不同特征提取算法的特点小结 | 第113-114页 |
| ·下一步研究工作展望 | 第114-118页 |
| 参考文献 | 第118-128页 |
| 攻读博士期间完成的学术论文 | 第128-130页 |
| 攻读博士期间参与的科研项目 | 第130页 |
