| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 缩写 | 第11-14页 |
| 1 绪论 | 第14-24页 |
| 摘要 | 第14页 |
| 1.1 课题背景和研究意义 | 第14-15页 |
| 1.2 软测量建模的研究内容和研究现状 | 第15-20页 |
| 1.2.1 软测量的基本概念及步骤 | 第15-17页 |
| 1.2.2 软测量建模的主要方法 | 第17-20页 |
| 1.3 软测量建模存在的问题 | 第20-22页 |
| 1.3.1 过程时变 | 第20-21页 |
| 1.3.2 过程非高斯 | 第21页 |
| 1.3.3 过程非线性 | 第21-22页 |
| 1.4 本论文的研究内容及安排 | 第22-24页 |
| 2 时变过程软测量建模方法 | 第24-34页 |
| 摘要 | 第24页 |
| 2.1 引言 | 第24-25页 |
| 2.2 基本的线性回归方法 | 第25-28页 |
| 2.2.1 最小二乘(Least Square,LS) | 第25页 |
| 2.2.2 主成分回归(Principal Component Regression,PCR) | 第25-27页 |
| 2.2.3 偏最小二乘(Partial Least Square,PLS) | 第27-28页 |
| 2.3 时变软测量建模方法 | 第28-32页 |
| 2.3.1 递归偏最小二乘法(RPLS) | 第28-30页 |
| 2.3.2 快速滑动窗PCA(FMWPCA) | 第30页 |
| 2.3.3 即时学习(Just-In-Time-Learning) | 第30-32页 |
| 2.4 本章小结 | 第32-34页 |
| 3 基于高斯混合模型的即时学习建模方法 | 第34-54页 |
| 摘要 | 第34页 |
| 3.1 引言 | 第34-36页 |
| 3.2 高斯混合模型(Gaussian Mixture Model) | 第36-38页 |
| 3.3 基于自适应高斯混合模型(GMM)的即时学习(JITL) | 第38-41页 |
| 3.3.1 高斯混合模型递归更新 | 第38-40页 |
| 3.3.2 自适应建模步骤 | 第40-41页 |
| 3.4 仿真实验 | 第41-53页 |
| 3.4.1 数值例子 | 第41-46页 |
| 3.4.2 Debutainzer仿真例子 | 第46-53页 |
| 3.5 本章小结 | 第53-54页 |
| 4 基于高斯混合模型的局部加权偏最小二乘(LWPLS) | 第54-64页 |
| 摘要 | 第54页 |
| 4.1 引言 | 第54-55页 |
| 4.2 局部加权偏最小二乘回归(LWPLS) | 第55-56页 |
| 4.3 基于自适应高斯混合模型的权值选择方法 | 第56-58页 |
| 4.4 Debutainzer仿真 | 第58-62页 |
| 4.5 本章小结 | 第62-64页 |
| 5 总结与展望 | 第64-66页 |
| 摘要 | 第64页 |
| 5.1 研究工作总结 | 第64-65页 |
| 5.2 研究工作展望 | 第65-66页 |
| 参考文献 | 第66-72页 |
| 攻读硕士学位期间完成的学术论文 | 第72-73页 |
| 攻读硕士学位期间参加的科研项目 | 第73-74页 |
| 个人简历 | 第74页 |
