| 中文摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 目录 | 第7-10页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 本文研究的主要内容 | 第13-15页 |
| 1.3.1 研究内容 | 第13页 |
| 1.3.2 文章结构 | 第13-15页 |
| 第2章 改进的数据分类算法 | 第15-32页 |
| 2.1 引言 | 第15页 |
| 2.2 数据分类 | 第15-20页 |
| 2.2.1 零度矩阵分类法 | 第17-18页 |
| 2.2.2 有序规则分类法 | 第18-19页 |
| 2.2.3 矩阵投影分类法 | 第19-20页 |
| 2.3 QR 正交变换分类法 | 第20-22页 |
| 2.3.1 矩阵的 QR 分解原理 | 第20-21页 |
| 2.3.2 QR 正交分解算法数据分类 | 第21-22页 |
| 2.4 两步矩阵投影算法的改进 | 第22-25页 |
| 2.4.1 基于矩阵投影法的已测数据分类 | 第23页 |
| 2.4.2 基于矩阵投影法的未测数据分类 | 第23-25页 |
| 2.5 算例分析 | 第25-31页 |
| 2.6 本章小结 | 第31-32页 |
| 第3章 显著误差检测的两种联合算法 | 第32-52页 |
| 3.1 引言 | 第32-33页 |
| 3.2 显著误差检测原理 | 第33-40页 |
| 3.2.1 测量残差检测法(MT) | 第34-35页 |
| 3.2.2 节点约束残差检验法(NT) | 第35-36页 |
| 3.2.3 广义似然比法(GLR) | 第36-38页 |
| 3.2.4 MT-NT 联合算法 | 第38-40页 |
| 3.3 一种 NT-MT 联合算法 | 第40-46页 |
| 3.3.1 算法原理和步骤 | 第40-43页 |
| 3.3.2 实例研究 | 第43-46页 |
| 3.4 一种 GLR-NT 联合算法 | 第46-51页 |
| 3.4.1 算法的原理及步骤 | 第46-49页 |
| 3.4.2 实例研究 | 第49-51页 |
| 3.5 本章小结 | 第51-52页 |
| 第4章 神经网络用于甲醇合成工业的误差检测与消除 | 第52-69页 |
| 4.1 引言 | 第52-53页 |
| 4.2 基于神经网络的显著误差检测方法 | 第53-58页 |
| 4.2.1 网络的输入输出 | 第53-54页 |
| 4.2.2 基于 LM 算法的 BP 神经网络 | 第54-57页 |
| 4.2.3 基于 LM-BP 神经网络的显著误差检测方法 | 第57-58页 |
| 4.3 甲醇合成工艺简介 | 第58-62页 |
| 4.3.1 合成原理 | 第58-60页 |
| 4.3.2 过程分析 | 第60-62页 |
| 4.4 甲醇生产合成系统的误差分析与消除 | 第62-68页 |
| 4.4.1 数据协调模型 | 第62-64页 |
| 4.4.2 过程数据校正及误差消除 | 第64-65页 |
| 4.4.3 校正结果分析 | 第65-68页 |
| 4.5 本章小结 | 第68-69页 |
| 结论 | 第69-71页 |
| 参考文献 | 第71-77页 |
| 致谢 | 第77-78页 |
| 攻读学位期间发表的论文 | 第78页 |