| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 缩略语列表 | 第10-14页 |
| 第1章 绪论 | 第14-22页 |
| 1.1 研究背景及意义 | 第14-15页 |
| 1.2 国内外填料塔液泛研究现状 | 第15-17页 |
| 1.3 深度学习研究现状 | 第17-20页 |
| 1.4 本文研究内容 | 第20-22页 |
| 第2章 填料塔液泛辨识的深度学习图像识别方法 | 第22-38页 |
| 2.1 填料塔液泛实验系统 | 第22-26页 |
| 2.1.1 设备硬件 | 第22-24页 |
| 2.1.2 配套软件 | 第24-25页 |
| 2.1.3 实验方法及数据采集 | 第25-26页 |
| 2.2 卷积神经网络状态辨识 | 第26-32页 |
| 2.2.1 研究背景与发展现状 | 第26-27页 |
| 2.2.2 卷积神经网络建模 | 第27-31页 |
| 2.2.3 填料塔液泛CNN模型架构 | 第31-32页 |
| 2.3 实验分析 | 第32-36页 |
| 2.3.1 预测模型评价方法 | 第32-33页 |
| 2.3.2 填料塔液泛CNN辨识模型 | 第33-35页 |
| 2.3.3 火焰数字图像CNN模型 | 第35-36页 |
| 2.4 本章小结 | 第36-38页 |
| 第3章 填料塔液泛数据驱动深度学习建模方法 | 第38-56页 |
| 3.1 深度置信网络建模方法 | 第38-43页 |
| 3.1.1 深度置信网络 | 第38-39页 |
| 3.1.2 受限玻尔兹曼机的搭建 | 第39-41页 |
| 3.1.3 受限玻尔兹曼机的训练 | 第41-43页 |
| 3.1.4 反向传播微调 | 第43页 |
| 3.2 深度置信网络的自适应学习率改进方法 | 第43-45页 |
| 3.2.1 自适应模型的建立与训练 | 第43-45页 |
| 3.2.2 自适应学习率建模步骤 | 第45页 |
| 3.3 案例研究 | 第45-54页 |
| 3.3.1 催化裂化单元ADBN模型 | 第45-48页 |
| 3.3.2 填料塔液泛压降ADBN模型 | 第48-51页 |
| 3.3.3 火焰数字图像ADBN模型 | 第51-54页 |
| 3.4 本章小结 | 第54-56页 |
| 第4章 融合过程变量和数字图像的填料塔液泛辨识方法 | 第56-64页 |
| 4.1 复合深度学习工业模型 | 第56-57页 |
| 4.2 液泛模型的分类方法与评估准则 | 第57-58页 |
| 4.2.1 分类方法 | 第57-58页 |
| 4.2.2 评估准则 | 第58页 |
| 4.3 填料塔液泛复合模型实验 | 第58-62页 |
| 4.4 本章小结 | 第62-64页 |
| 第5章 结论与展望 | 第64-66页 |
| 5.1 结论 | 第64-65页 |
| 5.2 展望 | 第65-66页 |
| 参考文献 | 第66-70页 |
| 致谢 | 第70-72页 |
| 攻读学位期间参加的科研项目和成果 | 第72页 |