| 摘要 | 第1-7页 |
| Abstract | 第7-9页 |
| 目录 | 第9-12页 |
| 第1章 绪论 | 第12-18页 |
| ·研究背景 | 第12页 |
| ·研究意义 | 第12-13页 |
| ·国内外研究现状及存在问题 | 第13-16页 |
| ·基于硬件检测 | 第13-14页 |
| ·软测量方法 | 第14-16页 |
| ·论文主要工作 | 第16-18页 |
| ·课题来源 | 第16页 |
| ·研究思路 | 第16页 |
| ·论文主要研究内容 | 第16-18页 |
| 第2章 软测量辅助变量的选择与数据处理 | 第18-30页 |
| ·软测量技术概述 | 第18-20页 |
| ·软测量描述 | 第18页 |
| ·软测量的基本设计步骤 | 第18-20页 |
| ·新型干法水泥生产工艺 | 第20-21页 |
| ·f-CaO 含量软测量辅助变量集合确定 | 第21-25页 |
| ·f-CaO 软测量辅助变量的初步选择 | 第21-23页 |
| ·辅助变量降维 | 第23-25页 |
| ·软测量数据处理 | 第25-26页 |
| ·误差处理 | 第25-26页 |
| ·样本数据归一化 | 第26页 |
| ·降维研究 | 第26-29页 |
| ·计算灰关联度 | 第26-27页 |
| ·仿真验证 | 第27-29页 |
| ·本章小结 | 第29-30页 |
| 第3章 软测量建模方法研究 | 第30-38页 |
| ·软测量经验建模方法 | 第30-31页 |
| ·神经网络法 | 第30页 |
| ·支持向量机法 | 第30-31页 |
| ·支持向量机与最小二乘支持向量机 | 第31-35页 |
| ·机器学习理论 | 第31页 |
| ·支持向量机原理 | 第31-32页 |
| ·最小二乘支持向量机 | 第32-34页 |
| ·LSSVM 的核函数 | 第34-35页 |
| ·LSSVM 模型参数的选取 | 第35页 |
| ·仿真研究及结果 | 第35-37页 |
| ·本章小结 | 第37-38页 |
| 第4章 基于局部 PSO-LSSVM 的熟料 F-CAO 含量软测量建模 | 第38-51页 |
| ·改进的 k-means 聚类算法 | 第38-40页 |
| ·局部建模理论 | 第40-42页 |
| ·粒子群算法 | 第42-46页 |
| ·PSO-LSSVM 算法结构 | 第42-43页 |
| ·粒子群算法 | 第43-46页 |
| ·熟料 f-CaO 含量软测量建模步骤 | 第46-47页 |
| ·仿真研究及结果 | 第47-50页 |
| ·本章小结 | 第50-51页 |
| 第5章 熟料 f-CaO 含量与烧成带温度的关系 | 第51-54页 |
| ·烧成带温度与 f-CaO 含量的关系 | 第51-52页 |
| ·本文算法结构 | 第52页 |
| ·仿真研究及结果 | 第52-53页 |
| ·本章小结 | 第53-54页 |
| 第6章 烧成带温度软测量软件开发 | 第54-59页 |
| ·软测量程序框架 | 第54页 |
| ·系统软件开发环境 | 第54-55页 |
| ·OPC 通讯接口 | 第55-56页 |
| ·SQL Server 数据库的访问 | 第56页 |
| ·烧成带温度测量软件功能 | 第56-57页 |
| ·本章小结 | 第57-59页 |
| 结论 | 第59-61页 |
| 参考文献 | 第61-66页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第66-67页 |
| 致谢 | 第67-68页 |