| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 引言 | 第8-10页 |
| 1 软测量技术综述 | 第10-21页 |
| ·软测量技术原理 | 第10-11页 |
| ·软测量技术内容 | 第11-14页 |
| ·软测量技术建模方法 | 第14-21页 |
| ·机理建模 | 第15页 |
| ·基于状态估计的建模方法 | 第15-16页 |
| ·基于回归分析的建模方法 | 第16-17页 |
| ·基于人工智能的软测量建模 | 第17-19页 |
| ·基于统计学习理论的方法 | 第19-21页 |
| 2 工程背景分析 | 第21-27页 |
| ·工程背景 | 第21-24页 |
| ·原油精馏工艺流程 | 第21-23页 |
| ·原油精馏工艺特点 | 第23-24页 |
| ·航空煤油干点和闪点及测量方法 | 第24-27页 |
| 3 数据的预处理方法研究 | 第27-36页 |
| ·辅助变量的选择 | 第27-28页 |
| ·现场数据的采集 | 第28-31页 |
| ·数据的预处理 | 第31-36页 |
| ·异常值检测 | 第31页 |
| ·数据平滑 | 第31-34页 |
| ·数据变换 | 第34-36页 |
| 4 混合核最小二乘支持向量机研究 | 第36-50页 |
| ·机器学习原理 | 第36-38页 |
| ·经验风险最小化(Empirical Risk Minimization,ERM) | 第36-37页 |
| ·机器学习的复杂性与推广能力 | 第37-38页 |
| ·统计学习理论 | 第38-40页 |
| ·VC维 | 第38页 |
| ·推广性的界 | 第38-39页 |
| ·结构风险最小化 | 第39-40页 |
| ·支持向量机 | 第40-44页 |
| ·支持向量机分类 | 第40-43页 |
| ·支持向量机回归 | 第43-44页 |
| ·MKLS-SVM算法研究 | 第44-50页 |
| ·核函数的实质 | 第44-45页 |
| ·参数选取 | 第45页 |
| ·最小支持向量机(LS-SVM) | 第45-47页 |
| ·混合核函数最小二乘支持向量机(MKLS-SVM) | 第47-48页 |
| ·SINC函数仿真实验 | 第48-50页 |
| 5 航空煤油干点和闪点软测量建模研究 | 第50-65页 |
| ·非线性特征提取 | 第50-54页 |
| ·主元分析法 | 第51页 |
| ·核主元分析法(KPCA) | 第51-53页 |
| ·KPCA与PCA分析结果比较 | 第53-54页 |
| ·实值多种群自适应遗传算法 | 第54-59页 |
| ·遗传算法概述 | 第54-56页 |
| ·改进的遗传算法 | 第56-59页 |
| ·MKLS-SVM航煤干点和闪点MIMO软测量模型 | 第59-60页 |
| ·软测量模型性能分析 | 第60-63页 |
| ·软测量模型校正 | 第63-65页 |
| 结论 | 第65-67页 |
| 参考文献 | 第67-70页 |
| 攻读硕士学位期间发表学术论文情况 | 第70-71页 |
| 致谢 | 第71-72页 |
