| 学位论文数据集 | 第3-4页 |
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-8页 |
| 第一章 绪论 | 第13-27页 |
| 1.1 课题来源及研究背景和意义 | 第13-15页 |
| 1.1.1 课题来源 | 第13页 |
| 1.1.2 研究背景及意义 | 第13-15页 |
| 1.2 国内外研究现状 | 第15-23页 |
| 1.2.1 虚拟样本生成技术研究现状 | 第15-20页 |
| 1.2.2 人工神经网络在复杂石化过程建模中的应用 | 第20-23页 |
| 1.3 本文主要研究工作 | 第23-24页 |
| 1.4 论文组织结构安排 | 第24-27页 |
| 第二章 经典虚拟样本生成技术 | 第27-39页 |
| 2.1 引言 | 第27页 |
| 2.2 自助法 | 第27-30页 |
| 2.2.1 Bootstrap的基本原理 | 第27-28页 |
| 2.2.2 基于Bootstrap的虚拟样本生成 | 第28-30页 |
| 2.2.3 Bootstrap的优势和不足 | 第30页 |
| 2.3 随机模拟方法 | 第30-33页 |
| 2.3.1 Monte Carlo的基本原理 | 第30-32页 |
| 2.3.2 基于Monte Carlo的虚拟样本生成 | 第32页 |
| 2.3.3 Monte Carlo的优势和不足 | 第32-33页 |
| 2.4 优化算法 | 第33-36页 |
| 2.4.1 PSO的基本原理 | 第34-35页 |
| 2.4.2 基于PSO的虚拟样本生成 | 第35-36页 |
| 2.4.3 PSO的优势和不足 | 第36页 |
| 2.5 本章小结 | 第36-39页 |
| 第三章 基于Monte Carlo和PSO的虚拟样本生成技术 | 第39-47页 |
| 3.1 引言 | 第39页 |
| 3.2 MC-PSO的基本原理 | 第39-44页 |
| 3.2.1 利用Monte Carlo方法生成初始搜索点 | 第40-41页 |
| 3.2.2 利用PSO算法生成虚拟样本 | 第41-43页 |
| 3.2.3 构建并改进ELM预测模型 | 第43-44页 |
| 3.3 基于MC-PSO的虚拟样本生成过程 | 第44-45页 |
| 3.4 本章小结 | 第45-47页 |
| 第四章 工业应用实例研究 | 第47-59页 |
| 4.1 复杂化工生成过程分析 | 第47-48页 |
| 4.2 PTA溶剂系统数据集建模应用 | 第48-52页 |
| 4.3 乙烯生产过程数据集建模应用 | 第52-56页 |
| 4.4 本章小结 | 第56-59页 |
| 第五章 结论与展望 | 第59-61页 |
| 5.1 结论 | 第59-60页 |
| 5.2 未来展望 | 第60-61页 |
| 参考文献 | 第61-67页 |
| 致谢 | 第67-69页 |
| 研究成果及发表的学术论文 | 第69-71页 |
| 作者和导师简介 | 第71-73页 |
| 附件 | 第73-74页 |
