| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 第一章 综述 | 第7-16页 |
| ·本课题研究的主要背景 | 第7-13页 |
| ·我国发酵工业的现状 | 第7-8页 |
| ·发酵过程控制的发展趋势 | 第8-9页 |
| ·基于统计过程控制技术进行故障诊断的研究现状 | 第9-10页 |
| ·基于自联想神经网络进行故障诊断的研究现状 | 第10-11页 |
| ·发酵过程软测量建模的研究现状 | 第11-13页 |
| ·本课题研究的主要意义 | 第13-14页 |
| ·本课题研究的主要内容 | 第14-16页 |
| 第二章 生物发酵过程中的基本问题 | 第16-25页 |
| ·引言 | 第16页 |
| ·发酵过程简介 | 第16-17页 |
| ·发酵过程的相关参数 | 第17-20页 |
| ·物理参数 | 第18页 |
| ·化学参数 | 第18页 |
| ·生物参数 | 第18页 |
| ·呼吸代谢参数 | 第18-19页 |
| ·微生物发酵热 | 第19-20页 |
| ·谷氨酸发酵简介 | 第20-22页 |
| ·谷氨酸发酵过程简介 | 第20-21页 |
| ·谷氨酸发酵集成控制系统介绍 | 第21-22页 |
| ·实验结果分析 | 第22-24页 |
| ·谷氨酸发酵过程中菌体生长和产物代谢的基本特征 | 第22-23页 |
| ·谷氨酸发酵过程的“正常”与“非正常”区分 | 第23-24页 |
| ·小结 | 第24-25页 |
| 第三章 基于自联想神经网络的谷氨酸发酵过程故障诊断 | 第25-36页 |
| ·引言 | 第25页 |
| ·自联想神经网络 | 第25-28页 |
| ·网络结构 | 第26页 |
| ·网络映射 | 第26-27页 |
| ·网络训练 | 第27-28页 |
| ·基于自联想神经网络的谷氨酸发酵故障诊断 | 第28-32页 |
| ·自联想神经网络输入变量的选择 | 第28-30页 |
| ·用于故障诊断和早期预警的自联想神经网络 | 第30-32页 |
| ·实验结果及分析 | 第32-35页 |
| ·数据生成 | 第32页 |
| ·数据标准化 | 第32-33页 |
| ·故障诊断结果 | 第33-35页 |
| ·本章小结 | 第35-36页 |
| 第四章 基于LSSVM 预报和AANN 的发酵过程故障诊断 | 第36-50页 |
| ·引言 | 第36页 |
| ·支持向量机理论 | 第36-41页 |
| ·统计学习理论 | 第37-38页 |
| ·支持向量机简述 | 第38-41页 |
| ·最小二乘支持向量机理论 | 第41-44页 |
| ·问题的提出 | 第41页 |
| ·最小二乘支持向量机算法简介 | 第41-42页 |
| ·基于LSSVM 的发酵过程软测量建模 | 第42-44页 |
| ·基于LSSVM 的发酵过程状态变量预报 | 第44-46页 |
| ·基于LSSVM 预估模型和AANN 的在线故障诊断 | 第46-47页 |
| ·基于AANN 的谷氨酸发酵故障处理 | 第47-48页 |
| ·本章小结 | 第48-50页 |
| 第五章 总结与展望 | 第50-52页 |
| ·论文总结 | 第50-51页 |
| ·研究展望 | 第51-52页 |
| 致谢 | 第52-53页 |
| 参考文献 | 第53-58页 |
| 附录：作者在攻读硕士学位期间发表的论文 | 第58页 |
