| 学位论文数据集 | 第4-5页 |
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-9页 |
| 第一章 绪论 | 第16-24页 |
| 1.1 课题研究背景 | 第16-18页 |
| 1.2 国内外研究现状 | 第18-21页 |
| 1.2.1 自组织网络算法研究现状 | 第18-19页 |
| 1.2.2 人工神经网络算法在石油化工行业的应用研究 | 第19-20页 |
| 1.2.3 极限学习机在乙烯生产领域的应用 | 第20-21页 |
| 1.3 本文研究内容 | 第21-22页 |
| 1.4 论文组织结构 | 第22-24页 |
| 第二章 算法理论基础 | 第24-34页 |
| 2.1 极限学习机算法概述 | 第24-26页 |
| 2.2 相似度算法之余弦相似度 | 第26-28页 |
| 2.2.1 余弦相似定理介绍 | 第26页 |
| 2.2.2 余弦相似定理推理过程分析 | 第26-28页 |
| 2.3 概率论基础 | 第28-29页 |
| 2.3.1 中心极限定理在样本分布分析的应用 | 第28页 |
| 2.3.2 协方差在多维样本集的应用 | 第28-29页 |
| 2.4 信息论概述 | 第29-31页 |
| 2.4.1 信息熵概述 | 第29-30页 |
| 2.4.2 互信息概述 | 第30-31页 |
| 2.4.3 熵的估值 | 第31页 |
| 2.5 本章小结 | 第31-34页 |
| 第三章 极限学习机自组织的实现 | 第34-40页 |
| 3.1 自组织神经网络 | 第34页 |
| 3.2 基于中心极限定理的自组织的实现 | 第34-35页 |
| 3.3 算法流程 | 第35-36页 |
| 3.4 实验验证 | 第36-38页 |
| 3.5 本章小结 | 第38-40页 |
| 第四章 SO-CSLN算法 | 第40-50页 |
| 4.1 极限学习机改进说明 | 第40页 |
| 4.2 基于信息熵优化初始权重与阈值 | 第40-41页 |
| 4.3 基于余弦相似定理进一步改进 | 第41-43页 |
| 4.4 SO-CSLN算法 | 第43-45页 |
| 4.5 UCI数据集实验验证 | 第45-48页 |
| 4.5.1 预测准确性验证 | 第45-47页 |
| 4.5.2 分类准确性验证 | 第47-48页 |
| 4.6 本章小结 | 第48-50页 |
| 第五章 乙烯生产领域的建模及应用 | 第50-58页 |
| 5.1 乙烯生产领域分析 | 第50页 |
| 5.2 乙烯输入输出数据分析 | 第50-51页 |
| 5.3 乙烯生产装置分析 | 第51-52页 |
| 5.4 指导乙烯生产分析及应用 | 第52-56页 |
| 5.4.1 相同规模不同技术 | 第52-54页 |
| 5.4.2 相同技术不同规模 | 第54-56页 |
| 5.5 本章小结 | 第56-58页 |
| 第六章 乙烯生产建模与分析原型系统设计与构建 | 第58-64页 |
| 6.1 系统设计 | 第58-59页 |
| 6.1.1 系统开发所需技术 | 第58页 |
| 6.1.2 系统整体架构 | 第58-59页 |
| 6.2 系统功能设计 | 第59-60页 |
| 6.3 系统模块设计 | 第60-63页 |
| 6.3.1 数据统计展示模块 | 第60-61页 |
| 6.3.2 分析预测建模模块 | 第61-63页 |
| 6.4 本章小结 | 第63-64页 |
| 第七章 总结与展望 | 第64-66页 |
| 7.1 总结 | 第64页 |
| 7.2 展望 | 第64-66页 |
| 参考文献 | 第66-70页 |
| 致谢 | 第70-72页 |
| 研究成果及发表的学术论文 | 第72-74页 |
| 作者和导师简介 | 第74-75页 |
| 附件 | 第75-76页 |