| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-15页 |
| 1.1 课题背景及意义 | 第8页 |
| 1.2 软测量技术的国内外研究现状 | 第8-10页 |
| 1.3 过程建模技术的国内外研究现状 | 第10-11页 |
| 1.4 软测量模型评估指标 | 第11页 |
| 1.5 软测量的工程设计 | 第11-13页 |
| 1.6 论文的主要内容和结构 | 第13-15页 |
| 第二章 基于数据驱动的建模方法 | 第15-30页 |
| 2.1 引言 | 第15页 |
| 2.2 偏最小二乘 | 第15-16页 |
| 2.3 高斯过程 | 第16-17页 |
| 2.4 支持向量机 | 第17-20页 |
| 2.5 相关向量机 | 第20-25页 |
| 2.5.1 相关向量机介绍 | 第20-23页 |
| 2.5.2 相关向量机仿真 | 第23-25页 |
| 2.6 快速相关向量机 | 第25-29页 |
| 2.6.1 快速相关向量机介绍 | 第25-27页 |
| 2.6.2 快速相关向量机仿真 | 第27-29页 |
| 2.7 本章小结 | 第29-30页 |
| 第三章 基于RVM组合核函数的软测量模型研究 | 第30-36页 |
| 3.1 引言 | 第30页 |
| 3.2 构建RVM组合核优化的软测量模型 | 第30-33页 |
| 3.2.1 组合核函数 | 第30-31页 |
| 3.2.2 遗传算法优化组合核参数 | 第31-32页 |
| 3.2.3 构建软测量模型 | 第32-33页 |
| 3.3 生产实例仿真 | 第33-35页 |
| 3.3.1 数据来源 | 第33-34页 |
| 3.3.2 实例仿真分析 | 第34-35页 |
| 3.4 结束语 | 第35-36页 |
| 第四章 基于HS算法优化的KPCA-RVM软测量模型 | 第36-44页 |
| 4.1 引言 | 第36页 |
| 4.2 核主成分分析原理 | 第36-38页 |
| 4.3 和声搜索算法 | 第38页 |
| 4.4 构建HS优化的KPCA-RVM模型 | 第38-40页 |
| 4.5 实例仿真 | 第40-43页 |
| 4.5.1 数值仿真 | 第40-41页 |
| 4.5.2 实例仿真 | 第41-43页 |
| 4.6 结束语 | 第43-44页 |
| 第五章 基于改进HS算法的快速相关向量机软测量模型 | 第44-50页 |
| 5.1 引言 | 第44页 |
| 5.2 快速相关向量机简述 | 第44-45页 |
| 5.3 改进和声搜索算法 | 第45-47页 |
| 5.3.1 和声搜索算法 | 第45-46页 |
| 5.3.2 改进和声搜索算法 | 第46-47页 |
| 5.4 基于改进HS算法的FRVM回归算法 | 第47-48页 |
| 5.5 实例仿真 | 第48-49页 |
| 5.5.1 实例数据来源 | 第48页 |
| 5.5.2 实例仿真分析 | 第48-49页 |
| 5.6 结束语 | 第49-50页 |
| 第六章 主要结论与展望 | 第50-52页 |
| 6.1 主要结论 | 第50页 |
| 6.2 展望 | 第50-52页 |
| 致谢 | 第52-53页 |
| 参考文献 | 第53-57页 |
| 附录: 作者在攻读硕士学位期间发表的论文 | 第57页 |