基于SFA和DBN的聚丙烯熔融指数软测量方法研究
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第1章 绪论 | 第9-13页 |
| 1.1 课题的研究背景及意义 | 第9页 |
| 1.2 课题国内外研究现状 | 第9-11页 |
| 1.2.1 机理建模 | 第9-10页 |
| 1.2.2 基于数据驱动的建模 | 第10-11页 |
| 1.3 论文主要内容及结构安排 | 第11-13页 |
| 第2章 聚丙烯熔融指数软测量技术概述 | 第13-24页 |
| 2.1 软测量技术概述 | 第13-18页 |
| 2.1.1 软测量技术基本原理 | 第13-14页 |
| 2.1.2 传统软测量建模方法 | 第14-16页 |
| 2.1.3 深度置信网络 | 第16-17页 |
| 2.1.4 慢特征分析 | 第17-18页 |
| 2.2 聚丙烯生产过程 | 第18-23页 |
| 2.2.1 Spheripol工艺 | 第18-21页 |
| 2.2.2 聚合反应机理 | 第21-22页 |
| 2.2.3 辅助变量的选择 | 第22-23页 |
| 2.3 本章小结 | 第23-24页 |
| 第3章 基于非线性慢特征回归的软测量建模 | 第24-33页 |
| 3.1 慢特征分析算法 | 第24-28页 |
| 3.1.1 慢特征算法的基本原理 | 第24-26页 |
| 3.1.2 慢特征分析的物理特性 | 第26-27页 |
| 3.1.3 动态慢特征分析 | 第27-28页 |
| 3.2 软测量模型的建立 | 第28-30页 |
| 3.3 仿真研究 | 第30-32页 |
| 3.4 本章小结 | 第32-33页 |
| 第4章 基于DBN-ELM的软测量建模 | 第33-51页 |
| 4.1 深度学习概述 | 第33页 |
| 4.2 深度学习的基本模型 | 第33-36页 |
| 4.2.1 卷积神经网络 | 第33-34页 |
| 4.2.2 自动编码器 | 第34-35页 |
| 4.2.3 稀疏编码 | 第35-36页 |
| 4.3 受限玻尔兹曼机 | 第36-41页 |
| 4.3.1 受限玻尔兹曼机概述 | 第36-38页 |
| 4.3.2 受限玻尔兹曼机的训练算法 | 第38-40页 |
| 4.3.3 RBM参数设置 | 第40-41页 |
| 4.4 深度置信网络 | 第41-43页 |
| 4.4.1 深度置信网络概述 | 第41-42页 |
| 4.4.2 深度置信网络的训练算法 | 第42-43页 |
| 4.5 软测量模型的建立 | 第43-46页 |
| 4.5.1 极限学习机 | 第43-44页 |
| 4.5.2 基于DBN-ELM的软测量模型 | 第44-46页 |
| 4.6 仿真研究 | 第46-50页 |
| 4.7 本章小结 | 第50-51页 |
| 第5章 基于IDBN-GM的动态软测量建模 | 第51-61页 |
| 5.1 灰色系统理论概述 | 第51-52页 |
| 5.1.1 灰理论的研究内容 | 第51-52页 |
| 5.2 GM(1,1)模型 | 第52-55页 |
| 5.2.1 GM(1,1)模型的建立 | 第52-54页 |
| 5.2.2 GM(1,1)模型的有偏性 | 第54-55页 |
| 5.2.3 无偏GM(1,1)模型 | 第55页 |
| 5.3 动态软测量模型的建立 | 第55-57页 |
| 5.4 仿真研究 | 第57-60页 |
| 5.5 本章小结 | 第60-61页 |
| 总结与展望 | 第61-63页 |
| 参考文献 | 第63-70页 |
| 攻读硕士学位期间取得的学术成果 | 第70-71页 |
| 致谢 | 第71页 |
