| 摘要 | 第1-6页 |
| ABSTRACT | 第6-11页 |
| 第一章 概论 | 第11-18页 |
| ·引言 | 第11页 |
| ·化工过程建模的意义 | 第11-14页 |
| ·系统建模及其一般方法与步骤 | 第14-16页 |
| ·本论文的研究内容 | 第16-18页 |
| 第二章 人工神经元网络建模 | 第18-29页 |
| ·人工神经元网络的发展 | 第18-19页 |
| ·多层前传神经元网络模型 | 第19-27页 |
| ·多层前传网的网络结构 | 第19-20页 |
| ·多层前传网的工作过程 | 第20-22页 |
| ·多层前传网的目标函数和训练算法 | 第22-26页 |
| ·网络模型的性能指标 | 第26页 |
| ·神经元网络的过拟和问题 | 第26-27页 |
| ·本章小结 | 第27-29页 |
| 第三章 统计学习理论及支持向量机 | 第29-49页 |
| ·引言 | 第29-30页 |
| ·统计学习理论 | 第30-34页 |
| ·经验风险最小化原则 | 第30-32页 |
| ·VC维 | 第32-33页 |
| ·结构风险最小化原则 | 第33-34页 |
| ·支持向量机(SVM)简述 | 第34-39页 |
| ·用于分类问题的SVM | 第34-36页 |
| ·用于函数回归的SVM | 第36-38页 |
| ·非线性SVM和核函数 | 第38-39页 |
| ·SVM中的优化算法 | 第39-47页 |
| ·分块算法和分解算法 | 第39-41页 |
| ·SVMlight算法 | 第41-42页 |
| ·SMO(Sequential Minimal Optimization)算法 | 第42-45页 |
| ·其他一些优化算法 | 第45-46页 |
| ·各种算法的比较 | 第46-47页 |
| ·支持向量机的应用及发展 | 第47页 |
| ·本章小结 | 第47-49页 |
| 第四章 支持向量机为柠檬酸发酵过程建模 | 第49-60页 |
| ·生物发酵过程 | 第49-50页 |
| ·生物发酵过程建模概述 | 第50-52页 |
| ·机理建模方法 | 第50-51页 |
| ·系统辨识与参数估计方法 | 第51-52页 |
| ·柠檬酸发酵过程简介 | 第52-54页 |
| ·SVM方法对柠檬酸发酵过程建模 | 第54-59页 |
| ·模型结构 | 第54-55页 |
| ·SVM参数的影响与选择 | 第55-57页 |
| ·SVM与ANN方法的比较 | 第57-58页 |
| ·实验结论 | 第58-59页 |
| ·本章小结 | 第59-60页 |
| 第五章 混合支持向量机模型及其为发酵过程建模 | 第60-70页 |
| ·间歇式酒精发酵过程简介 | 第60-61页 |
| ·SVM黑箱模型 | 第61-63页 |
| ·模型结构 | 第61页 |
| ·模型参数选择 | 第61页 |
| ·实验结果并与ANN比较 | 第61-63页 |
| ·混合支持向量机模型 | 第63-68页 |
| ·发酵过程的动力学模型 | 第63-64页 |
| ·HSVM模型 | 第64-65页 |
| ·HSVM实验结果并与HANN比较 | 第65-68页 |
| ·结论及分析 | 第68-69页 |
| ·本章小结 | 第69-70页 |
| 第六章 总结和展望 | 第70-72页 |
| ·总结 | 第70-71页 |
| ·展望 | 第71-72页 |
| 参考文献 | 第72-77页 |
| 致谢 | 第77-78页 |
| 作者在攻读硕士学位期间撰写的论文及参与的项目 | 第78页 |