| 摘要 | 第1-5页 |
| Abstract | 第5-10页 |
| 1 引言 | 第10-18页 |
| ·课题的提出 | 第10-12页 |
| ·课题的社会背景 | 第10页 |
| ·课题的研究背景 | 第10-11页 |
| ·课题的研究目的和意义 | 第11-12页 |
| ·国内外研究现状 | 第12-16页 |
| ·软测量技术研究现状 | 第12-14页 |
| ·小脑模型神经网络研究现状 | 第14-15页 |
| ·氧化铝生产过程中苛性比值与稀释固含的软测量技术研究现状 | 第15-16页 |
| ·课题面临的难题 | 第16-17页 |
| ·章节安排 | 第17-18页 |
| 2 小脑模型神经网络 | 第18-28页 |
| ·CMAC 神经网络 | 第18-22页 |
| ·CMAC 神经网络的结构 | 第18-19页 |
| ·CMAC 神经网络的工作原理 | 第19-21页 |
| ·CMAC 神经网络的学习算法 | 第21-22页 |
| ·CMAC 神经网络的研究现状 | 第22-25页 |
| ·CMAC 泛化性能的研究 | 第22页 |
| ·Albus 的 CMAC 的概念映射算法 | 第22-23页 |
| ·主对角线概念映射算法 | 第23-25页 |
| ·CMAC 网络学习算法的改进研究 | 第25-26页 |
| ·变步长因子迭代算法 | 第25页 |
| ·基于指数函数的变步长 LMS 自适应算法 | 第25-26页 |
| ·小结 | 第26-28页 |
| 3 软测量技术 | 第28-34页 |
| ·软测量技术简介 | 第28-29页 |
| ·软测量实现过程 | 第29-33页 |
| ·软测量的辅助变量选择 | 第29-30页 |
| ·辅助变量数量的选择 | 第29-30页 |
| ·辅助变量类型的选择 | 第30页 |
| ·辅助变量检测点位置的选择 | 第30页 |
| ·软测量的数据处理 | 第30页 |
| ·软测量建模 | 第30-33页 |
| ·多变量统计建模方法 | 第31页 |
| ·系统辨识方法 | 第31页 |
| ·人工神经网络 | 第31-33页 |
| ·软测量的在线校正 | 第33页 |
| ·小结 | 第33-34页 |
| 4 氧化铝高压溶出和沉降分离工艺 | 第34-46页 |
| ·氧化铝工业简介 | 第34页 |
| ·拜耳法生产工艺简介 | 第34-36页 |
| ·高压溶出工艺 | 第36-41页 |
| ·溶出工艺简介 | 第36-37页 |
| ·高压溶出过程的化学反应 | 第37-38页 |
| ·铝酸钠溶液的苛性比值 | 第38-39页 |
| ·影响苛性比值的因素分析 | 第39页 |
| ·苛性比值机理模型 | 第39-41页 |
| ·沉降分离工艺 | 第41-44页 |
| ·赤泥沉降分离系统 | 第41-42页 |
| ·稀释固含 | 第42页 |
| ·影响赤泥沉降分离的其他因素 | 第42-43页 |
| ·絮凝剂的应用 | 第43页 |
| ·絮凝剂添加机理模型 | 第43-44页 |
| ·小结 | 第44-46页 |
| 5 小脑模型网络在氧化铝高压溶出和沉降分离中的应用 | 第46-64页 |
| ·软测量模型的输入变量 | 第46-49页 |
| ·苛性比值和稀释固含的影响因素 | 第46-47页 |
| ·部分最小二乘法 | 第47-49页 |
| ·软测量模型的输入变量 | 第49页 |
| ·改进的小脑模型神经网络 | 第49-52页 |
| ·基于启发式方法的最优偏移矢量算法 | 第49-51页 |
| ·基于双曲正割函数的变步长 LMS 自适应算法 | 第51-52页 |
| ·基于小脑模型神经网络的软测量建模 | 第52-55页 |
| ·输入数据规范化 | 第52-53页 |
| ·输入向量量化 | 第53页 |
| ·输入空间 X→虚拟存储空间 Ac | 第53页 |
| ·虚拟地址空间 Ac→实际地址空间 Ap | 第53-54页 |
| ·CMAC 网络输出和权值调整 | 第54-55页 |
| ·小脑模型网络在氧化铝高压溶出和沉降分离中的应用 | 第55-62页 |
| ·苛性比值软测量系统在高压溶出过程的应用 | 第56-59页 |
| ·稀释固含软测量系统在沉降分离过程的应用 | 第59-62页 |
| ·小结 | 第62-64页 |
| 6 总结与展望 | 第64-66页 |
| ·工作总结 | 第64页 |
| ·存在的问题与展望 | 第64-66页 |
| 致谢 | 第66-68页 |
| 参考文献 | 第68-72页 |
| 个人简历、在学期间发表的学术论文及取得的研究成果 | 第72页 |