基于DBN的软测量方法研究
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 论文的研究背景与意义 | 第9页 |
| 1.2 软测量技术概述 | 第9-13页 |
| 1.2.1 软测量技术的实现步骤 | 第10-11页 |
| 1.2.2 传统软测量方法 | 第11-12页 |
| 1.2.3 深度学习方法 | 第12-13页 |
| 1.3 软测量技术的研究现状 | 第13页 |
| 1.4 论文的主要内容及结构安排 | 第13-15页 |
| 第2章 传统软测量方法研究 | 第15-40页 |
| 2.1 传统软测量算法简介 | 第15-20页 |
| 2.1.1 BP神经网络 | 第15-16页 |
| 2.1.2 支持向量机 | 第16-18页 |
| 2.1.3 偏最小二乘 | 第18-20页 |
| 2.2 连续搅拌反应釜 | 第20-27页 |
| 2.2.1 工艺流程 | 第20-22页 |
| 2.2.2 辅助变量的选择与数据预处理 | 第22-23页 |
| 2.2.3 建模仿真 | 第23-26页 |
| 2.2.4 仿真结果分析 | 第26-27页 |
| 2.3 聚丙烯生产过程 | 第27-39页 |
| 2.3.1 工艺流程 | 第27-30页 |
| 2.3.2 辅助变量的选择与数据预处理 | 第30-34页 |
| 2.3.3 建模仿真 | 第34-37页 |
| 2.3.4 仿真结果分析 | 第37-39页 |
| 2.4 本章小结 | 第39-40页 |
| 第3章 基于DBN的软测量方法研究 | 第40-53页 |
| 3.1 受限玻尔兹曼机 | 第40-46页 |
| 3.1.1 RBM结构模型 | 第40-41页 |
| 3.1.2 基于对比散度的RBM学习算法 | 第41-46页 |
| 3.2 深度信念网络 | 第46-48页 |
| 3.3 对CSTR生成物浓度进行软测量研究 | 第48-49页 |
| 3.3.1 仿真结果 | 第48-49页 |
| 3.3.2 结果分析 | 第49页 |
| 3.4 对聚丙烯熔融指数进行软测量研究 | 第49-52页 |
| 3.4.1 单一模型建模仿真 | 第49-50页 |
| 3.4.2 分段软测量模型建模仿真 | 第50-51页 |
| 3.4.3 仿真结果分析 | 第51-52页 |
| 3.5 本章小结 | 第52-53页 |
| 第4章 基于DBN-KELM的软测量方法研究 | 第53-62页 |
| 4.1 核极限学习机方法简介 | 第53-56页 |
| 4.1.1 极限学习机 | 第53-55页 |
| 4.1.2 核极限学习机 | 第55-56页 |
| 4.2 DBN-KELM方法简介 | 第56-57页 |
| 4.3 对CSTR生成物浓度进行软测量 | 第57-58页 |
| 4.3.1 仿真结果 | 第57页 |
| 4.3.2 结果分析 | 第57-58页 |
| 4.4 对聚丙烯熔融指数进行软测量 | 第58-60页 |
| 4.4.1 单一模型建模仿真 | 第58-59页 |
| 4.4.2 分段软测量模型建模仿真 | 第59-60页 |
| 4.4.3 仿真结果分析 | 第60页 |
| 4.5 本章小结 | 第60-62页 |
| 第5章 总结与展望 | 第62-64页 |
| 参考文献 | 第64-67页 |
| 攻读硕士学位期间取得的学术成果 | 第67-68页 |
| 致谢 | 第68页 |
