| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-20页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 基于数据驱动的软测量建模方法 | 第11-16页 |
| 1.2.1 基于偏最小二乘回归建模方法 | 第11-12页 |
| 1.2.2 基于支持向量机建模方法 | 第12-13页 |
| 1.2.3 基于人工神经网络建模方法 | 第13-14页 |
| 1.2.4 基于高斯过程回归建模方法 | 第14-16页 |
| 1.3 即时学习软测量建模方法 | 第16-18页 |
| 1.4 研究内容和结构 | 第18-20页 |
| 第二章 基于综合相似度指标的高斯过程回归即时软测量建模 | 第20-37页 |
| 2.1 引言 | 第20页 |
| 2.2 高斯过程回归 | 第20-22页 |
| 2.3 即时学习算法 | 第22-23页 |
| 2.4 传统相似度指标方法 | 第23-25页 |
| 2.4.1 基于距离的相似度指标 | 第23-24页 |
| 2.4.2 基于距离和角度的相似度指标 | 第24页 |
| 2.4.3 基于相关性的相似度指标 | 第24-25页 |
| 2.5 基于综合相似度指标的即时学习建模 | 第25-27页 |
| 2.6 综合相似度指标在发酵过程即时软测量建模中应用 | 第27-36页 |
| 2.6.1 青霉素发酵仿真过程 | 第27-32页 |
| 2.6.2 工业红霉素发酵过程 | 第32-36页 |
| 2.7 本章小结 | 第36-37页 |
| 第三章 基于Bagging和即时学习的高斯过程回归软测量建模方法 | 第37-61页 |
| 3.1 引言 | 第37页 |
| 3.2 基于高斯核函数的相似度指标 | 第37-38页 |
| 3.3 Bagging学习算法 | 第38-40页 |
| 3.4 偏最小二乘回归 | 第40-42页 |
| 3.5 基于Bagging和JITL的GPR软测量模型建模 | 第42-43页 |
| 3.6 案例研究 | 第43-59页 |
| 3.6.1 基于JIT-Bagging-GPR的非线性系统仿真过程软测量建模 | 第43-50页 |
| 3.6.2 基于JIT-Bagging-GPR的青霉素发酵过程软测量建模 | 第50-59页 |
| 3.7 本章小结 | 第59-61页 |
| 第四章 基于即时学习和移动窗的预估-校正高斯回归软测量建模 | 第61-73页 |
| 4.1 引言 | 第61页 |
| 4.2 基于高斯回归的移动窗算法 | 第61-63页 |
| 4.3 基于即时学习和移动窗的预估-校正高斯回归建模方法 | 第63-64页 |
| 4.4 发酵过程案例研究 | 第64-71页 |
| 4.4.1 基于JIT-MWGPR的青霉素发酵过程软测量建模 | 第64-68页 |
| 4.4.2 基于JIT-MWGPR的红霉素发酵过程软测量建模 | 第68-71页 |
| 4.5 本章小结 | 第71-73页 |
| 第五章 总结与展望 | 第73-76页 |
| 5.1 总结 | 第73-74页 |
| 5.2 研究展望 | 第74-76页 |
| 参考文献 | 第76-83页 |
| 致谢 | 第83-84页 |
| 攻读硕士期间取得的成果 | 第84页 |
