| 摘要 | 第4-6页 |
| ABSTRACT | 第6-8页 |
| 第一章 绪论 | 第13-25页 |
| 1.1 课题研究背景 | 第13-16页 |
| 1.1.1 制造生产业背景 | 第13页 |
| 1.1.2 制造生产过程优化 | 第13-14页 |
| 1.1.3 制造生产过程建模 | 第14-15页 |
| 1.1.4 过程智能优化 | 第15页 |
| 1.1.5 甘蔗制糖工程工艺 | 第15-16页 |
| 1.2 国内外研究现状 | 第16-19页 |
| 1.2.1 传统样本采集的试验设计 | 第16页 |
| 1.2.2 机器学习在过程优化的工程应用 | 第16-17页 |
| 1.2.3 时间序列及其混沌分形特征分析 | 第17-18页 |
| 1.2.4 多目标群体智能优化 | 第18-19页 |
| 1.3 制造生产过程优化存在的问题 | 第19-21页 |
| 1.4 课题来源 | 第21-22页 |
| 1.5 本文研究内容和章节安排 | 第22-25页 |
| 第二章 高斯过程机器学习代理模型优化设计理论 | 第25-47页 |
| 2.1 引言 | 第25页 |
| 2.2 代理模型概述 | 第25-27页 |
| 2.3 试验设计 | 第27-30页 |
| 2.3.1 LATIN超立方体试验设计 | 第27-28页 |
| 2.3.2 增强型平移传播LATIN超立方体试验设计方法 | 第28-30页 |
| 2.3.2.1 平移传播算法基本理论 | 第28-29页 |
| 2.3.2.2 增强型平移传播Latin超立方体试验设计的步骤 | 第29-30页 |
| 2.4 基于高斯过程机器学习的代理模型 | 第30-34页 |
| 2.4.1 高斯过程回归模型理论概述 | 第30-32页 |
| 2.4.2 协方差函数选择与超参数优化方法 | 第32页 |
| 2.4.3 矩阵逆的直接计算 | 第32-33页 |
| 2.4.4 矩阵逆的估计 | 第33页 |
| 2.4.5 用于加速协方差函数计算的缓存方法 | 第33-34页 |
| 2.5 采用高斯过程的函数逼近测试 | 第34-38页 |
| 2.6 高斯过程代理模型的全局寻优 | 第38-41页 |
| 2.6.1 改进型最大化概率提高加点方法 | 第38-40页 |
| 2.6.2 构建高斯过程代理模型的步骤 | 第40-41页 |
| 2.7 高斯过程机器学习回归仿真研究 | 第41-46页 |
| 2.7.1 高斯过程代理模型与其它代理模型关系及对比 | 第41-44页 |
| 2.7.2 案例:高斯过程建模在注塑成型翘曲变形中的应用 | 第44-46页 |
| 2.8 本章小结 | 第46-47页 |
| 第三章 基于高斯过程的时间序列分形特征研究 | 第47-61页 |
| 3.1 引言 | 第47页 |
| 3.2 时间序列数据统计分析及模型 | 第47-50页 |
| 3.2.1 时间序列模型 | 第48-50页 |
| 3.2.1.1 AR序列模型 | 第48-49页 |
| 3.2.1.2 ARMA序列模型 | 第49页 |
| 3.2.1.3 ARCH序列及其衍生模型 | 第49-50页 |
| 3.3 基于高斯过程回归模型的时间序列分析 | 第50-54页 |
| 3.3.1 指数高斯过程ARCH模型 | 第51-53页 |
| 3.3.2 自回归模型以及多步预测 | 第53-54页 |
| 3.4 时间序列分形特征研究 | 第54-58页 |
| 3.4.1 长程相关性研究 | 第54-55页 |
| 3.4.2 非趋势波动分析(DFA)方法 | 第55-56页 |
| 3.4.3 自适应分形分析(AFA) | 第56-58页 |
| 3.4.4 时间序列分形维数分析 | 第58页 |
| 3.5 仿真研究与分析:对于MACKEY-GLASS时间序列的提前100步预测 | 第58-60页 |
| 3.6 本章小结 | 第60-61页 |
| 第四章 基于高斯过程的制糖澄清过程时间序列研究 | 第61-70页 |
| 4.1 引言 | 第61页 |
| 4.2 制糖澄清过程研究背景及意义 | 第61-67页 |
| 4.3 制糖澄清过程分形行为分析 | 第67-68页 |
| 4.4 基于高斯过程制糖澄清过程多步预测结果及分析 | 第68-69页 |
| 4.5 本章小结 | 第69-70页 |
| 第五章 基于高斯过程的多目标协同建模方法研究 | 第70-81页 |
| 5.1 引言 | 第70页 |
| 5.2 非线性多目标问题的建模 | 第70-71页 |
| 5.3 多目标优化问题的概念 | 第71-72页 |
| 5.4 解决多目标问题时传统建模方法及其局限性 | 第72页 |
| 5.5 基于高斯过程的多目标协同建模方法研究 | 第72-78页 |
| 5.5.1 高斯过程多目标协同建模方法理论概述 | 第72-74页 |
| 5.5.2 构建基于非限定性相关矩阵的多目标协同优化模型协方差函数 | 第74-75页 |
| 5.5.3 基于超球面参数化分解的非限定性相关矩阵 | 第75-77页 |
| 5.5.4 高斯过程多目标协同优化模型的参数优化 | 第77-78页 |
| 5.6 数值仿真研究 | 第78-79页 |
| 5.7 本章小结 | 第79-81页 |
| 第六章 基于高斯过程的多目标优化算法 | 第81-110页 |
| 6.1 引言 | 第81-82页 |
| 6.2 粒子群优化(PSO)算法 | 第82-83页 |
| 6.3 多目标粒子群优化(MOPSO)算法及常规步骤 | 第83-84页 |
| 6.4 基于区域搜索和MAXIMIN改进策略的多目标粒子群算法 | 第84-93页 |
| 6.4.1 区域搜索策略 | 第84-85页 |
| 6.4.2 序列二次规划算法 | 第85-86页 |
| 6.4.3 Maximin改进策略 | 第86-88页 |
| 6.4.4 精英保留机制 | 第88-90页 |
| 6.4.5 混合多样性精英保留策略 | 第90-92页 |
| 6.4.6 高斯变异 | 第92页 |
| 6.4.7 约束处理规则 | 第92页 |
| 6.4.8 算法步骤 | 第92-93页 |
| 6.5 仿真研究与分析 | 第93-101页 |
| 6.5.1 测试函数 | 第93-94页 |
| 6.5.2 算法性能度量 | 第94-96页 |
| 6.5.2.1 收敛性度量 | 第95页 |
| 6.5.2.2 分布性度量 | 第95页 |
| 6.5.2.3 多样性度量 | 第95-96页 |
| 6.5.3 算法参数设置 | 第96-97页 |
| 6.5.4 仿真研究及实验结果 | 第97-101页 |
| 6.6 基于高斯过程的多目标协同优化方法 | 第101-104页 |
| 6.6.1 算法框架 | 第101-102页 |
| 6.6.2 结果分析 | 第102-104页 |
| 6.7 案例: 制糖澄清过程中非线性建模、动态预测及控制研究 | 第104-109页 |
| 6.8 本章小结 | 第109-110页 |
| 第七章 结论与展望 | 第110-113页 |
| 7.1 本文研究创新点 | 第110页 |
| 7.2 全文总结 | 第110-111页 |
| 7.3 研究展望与不足 | 第111-113页 |
| 参考文献 | 第113-124页 |
| 致谢 | 第124-125页 |
| 攻读学位期间的学术成果 | 第125页 |
