液相色谱分离过程的智能建模及其虚拟实验系统的开发
| 第一章 文献综述 | 第1-29页 |
| ·研究的目的及意义 | 第11-13页 |
| ·研究的目的 | 第11-12页 |
| ·研究的意义 | 第12-13页 |
| ·国内外研究进展 | 第13-27页 |
| ·传统数学模型 | 第13-16页 |
| ·灰色理论模型 | 第16-17页 |
| ·定量结构-保留相关(QSRR)的研究 | 第17-18页 |
| ·人工神经网络及其在色谱建模中的应用 | 第18-25页 |
| ·虚拟实验室的研究进展 | 第25-27页 |
| ·本论文的主要研究工作 | 第27-29页 |
| 第二章 液相色谱智能模型的建立与优化 | 第29-73页 |
| ·模型外层结构的设计 | 第29-32页 |
| ·输入输出层参数的选择 | 第29-30页 |
| ·输入层的归一化处理 | 第30页 |
| ·输出层节点的定义 | 第30-32页 |
| ·训练样本数据的获得 | 第32-39页 |
| ·实验数据的获得 | 第32-37页 |
| ·文献数据的获得 | 第37-39页 |
| ·神经网络类型的确定 | 第39-53页 |
| ·网络功能的确定 | 第39页 |
| ·网络结构的比较 | 第39-42页 |
| ·液相色谱建模实验中网络性能的对比 | 第42-52页 |
| ·网络类型的确定 | 第52-53页 |
| ·模型拓扑结构的确定 | 第53-58页 |
| ·隐含层层数的确定 | 第53页 |
| ·隐含层节点数的确定 | 第53-58页 |
| ·模型传递函数的确定 | 第58-60页 |
| ·模型训练算法的确定 | 第60-67页 |
| ·BP 网络的主要训练算法 | 第60-64页 |
| ·不同训练算法在液相色谱建模中的效果对比 | 第64-67页 |
| ·训练算法的确定 | 第67页 |
| ·模型收敛性能的优化 | 第67-73页 |
| ·影响模型收敛性能的因素 | 第67页 |
| ·正交实验的设计及实施 | 第67-72页 |
| ·模型的优化结果 | 第72-73页 |
| 第三章 液相色谱智能模型的验证 | 第73-79页 |
| ·三元流动相条件下的模型验证 | 第73-75页 |
| ·与相关液相色谱模型的比较 | 第75-79页 |
| 第四章 液相色谱虚拟实验系统的开发 | 第79-82页 |
| ·液相色谱智能模型的编程实现 | 第79-81页 |
| ·液相色谱虚拟实验室的开发 | 第81-82页 |
| 第五章 结论与展望 | 第82-85页 |
| ·结论 | 第82-83页 |
| ·创新点 | 第83页 |
| ·讨论 | 第83页 |
| ·展望 | 第83-85页 |
| 参考文献 | 第85-92页 |
| 致谢 | 第92-93页 |
| 附件 | 第93-104页 |
