基于人工智能优化算法的聚丙烯熔融指数预报建模优化研究
| 致谢 | 第1-6页 |
| 摘要 | 第6-7页 |
| Abstract | 第7-10页 |
| 1. 绪论 | 第10-26页 |
| ·引言 | 第10页 |
| ·聚丙烯熔融指数预报 | 第10-15页 |
| ·聚丙烯及其熔融指数 | 第10-11页 |
| ·聚丙烯工艺 | 第11-12页 |
| ·聚丙烯熔融指数测量 | 第12-15页 |
| ·人工智能优化算法 | 第15-22页 |
| ·遗传算法 | 第15-17页 |
| ·免疫算法 | 第17-19页 |
| ·粒子群优化算法 | 第19-20页 |
| ·蚁群优化算法 | 第20-22页 |
| ·本文结构与安排 | 第22-26页 |
| 2. 熔融指数预报RBF神经网络模型 | 第26-48页 |
| ·丙烯聚合生产过程研究 | 第26-29页 |
| ·建模对象过程介绍 | 第26-27页 |
| ·建模变量的确定 | 第27-29页 |
| ·RBF神经网络建模 | 第29-36页 |
| ·RBF神经网络结构 | 第30-31页 |
| ·熔融指数预报RBF神经网络模型建立 | 第31-34页 |
| ·熔融指数预报模型性能指标 | 第34-36页 |
| ·PCA方法在建模中的应用研究 | 第36-45页 |
| ·PCA方法介绍 | 第36-40页 |
| ·PCA方法在建模中应用 | 第40-41页 |
| ·PCA方法对模型性能的影响 | 第41-45页 |
| ·小结与讨论 | 第45-48页 |
| 3. 基于PSO算法和SA算法的模型优化研究 | 第48-66页 |
| ·PSO算法在优化RBF神经网络结构上的应用 | 第48-50页 |
| ·SA算法在优化RBF神经网络结构上的应用 | 第50-55页 |
| ·SA算法简介 | 第51-54页 |
| ·SA算法的优化应用 | 第54-55页 |
| ·PSO算法和SA算法改进后的应用研究 | 第55-59页 |
| ·PSO算法的改进 | 第56-58页 |
| ·PSO算法与SA算法的结合 | 第58-59页 |
| ·MPSO_SA算法优化结果分析 | 第59-64页 |
| ·小结 | 第64-66页 |
| 4. 基于ACO算法的模型优化研究 | 第66-90页 |
| ·ACO算法在RBF神经网络结构优化上的应用研究 | 第66-78页 |
| ·ACO算法介绍 | 第66-70页 |
| ·ACO算法优化RBF神经网络结构 | 第70-72页 |
| ·自适应ACO算法优化RBF神经网路结构 | 第72-74页 |
| ·熔融指数预报模型优化效果研究 | 第74-78页 |
| ·基于ACO算法的组合RBF神经网络建模研究 | 第78-87页 |
| ·组合RBF神经网络建模策略的提出 | 第78-79页 |
| ·组合RBF神经网络建模策略 | 第79-82页 |
| ·自适应组合RBF神经网络建模策略 | 第82-83页 |
| ·组合RBF神经网络建模效果研究 | 第83-87页 |
| ·小结 | 第87-90页 |
| 5. 总结与展望 | 第90-94页 |
| ·全文总结 | 第90-91页 |
| ·本文研究展望 | 第91-94页 |
| 参考文献 | 第94-100页 |
| 作者攻读硕士期间的主要成果 | 第100页 |
