| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 1 绪言 | 第10-21页 |
| 1．1 课题概述 | 第10-12页 |
| 1．2 成分分析基本原理 | 第12-14页 |
| 1．3 相关文献综述 | 第14-17页 |
| 1．4 论文主要研究工作 | 第17-19页 |
| 1．5 论文结构安排 | 第19-20页 |
| 1．6 主要缩略和数学符号约定 | 第20-21页 |
| 2 成分提取技术相关理论基础 | 第21-31页 |
| 2．1 统计理论基础 | 第21-23页 |
| 2．2 熵、互信息和负熵 | 第23-27页 |
| 2．3 随机逼近定理 | 第27-28页 |
| 2．4 随机梯度和自然梯度 | 第28-30页 |
| 2．5 小结 | 第30-31页 |
| 3 最小残差熵主成分提取及统计过程控制应用 | 第31-46页 |
| 3．1 引言 | 第31页 |
| 3．2 总体主成分分析数学描述 | 第31-32页 |
| 3．3 最小残差熵成分提取理论依据 | 第32-33页 |
| 3．4 最小残差熵主成分模型与统计控制量 | 第33-36页 |
| 3．5 最小残差熵优化算法方法 | 第36-38页 |
| 3．6 多变量四水箱过程监控应用 | 第38-45页 |
| 3．7 结论 | 第45-46页 |
| 4 主成分提取神经网络及其统计过程控制应用 | 第46-65页 |
| 4．1 引言 | 第46页 |
| 4．2 线性主成分提取神经网络算法 | 第46-52页 |
| 4．3 非线性主成分提取神经网络算法 | 第52-55页 |
| 4．4 最小残差熵主成分提取神经网络 | 第55-58页 |
| 4．5 仿真研究 | 第58-64页 |
| 4．6 小结 | 第64-65页 |
| 5 独立成分提取算法及过程监控应用 | 第65-87页 |
| 5．1 引言 | 第65页 |
| 5．2 独立成分提取的基本模型 | 第65-67页 |
| 5．3 独立性度量准则 | 第67-68页 |
| 5．4 独立成分提取算法 | 第68-73页 |
| 5．5 基于Renyi熵最大化的主独立成分提取算法 | 第73-76页 |
| 5．6 ICA应用于田纳西-伊斯曼过程的故障诊断 | 第76-82页 |
| 5．7 主独立成分提取算法盲源分离应用 | 第82-86页 |
| 5．8 小结 | 第86-87页 |
| 6 高维动态系统降维及基于观测器的故障诊断 | 第87-100页 |
| 6．1 引言 | 第87页 |
| 6．2 高维动态系统描述 | 第87-88页 |
| 6．3 主成分降维神经网络及学习指标 | 第88-89页 |
| 6．4 降维神经网络学习算法 | 第89-92页 |
| 6．5 基于自适应观察器的故障诊断算法 | 第92-95页 |
| 6．6 仿真实验 | 第95-98页 |
| 6．7 小结 | 第98-100页 |
| 7 基于成分提取的半导体封装点胶过程监测 | 第100-114页 |
| 7．1 引言 | 第100页 |
| 7．2 点胶系统机械装备和软硬件 | 第100-102页 |
| 7．3 点胶过程监测和故障诊断 | 第102-113页 |
| 7．4 总结 | 第113-114页 |
| 8 总结与展望 | 第114-116页 |
| 8．1 论文研究工作总结 | 第114-115页 |
| 8．2 进一步的研究内容 | 第115-116页 |
| 致谢 | 第116-117页 |
| 参考文献 | 第117-128页 |
| 附录1 攻读学位期间发表的主要论文 | 第128页 |