| 摘要 | 第1-9页 |
| Abstract | 第9-11页 |
| 第一章 绪论 | 第11-17页 |
| ·水泥行业的发展现状 | 第11-12页 |
| ·窑尾分解率检测方法研究现状 | 第12-13页 |
| ·软测量技术的发展 | 第13-15页 |
| ·本文主要工作 | 第15-16页 |
| ·课题来源 | 第15页 |
| ·本文主要内容 | 第15-16页 |
| ·本章小结 | 第16-17页 |
| 第二章 窑尾分解率软测量辅助变量的选择与数据预处理 | 第17-27页 |
| ·软测量技术概述 | 第17-19页 |
| ·软测量的数学描述 | 第17页 |
| ·软测量的基本设计步骤 | 第17-19页 |
| ·窑尾分解率软测量辅助变量的选择 | 第19-22页 |
| ·新型干法水泥生产工艺 | 第19-21页 |
| ·窑尾分解率软测量辅助变量的选择 | 第21-22页 |
| ·窑尾分解率软测量数据预处理 | 第22-26页 |
| ·数据采集 | 第22-23页 |
| ·异常数据剔除 | 第23-25页 |
| ·数据标准化 | 第25-26页 |
| ·本章小结 | 第26-27页 |
| 第三章 基于人工神经网络窑尾分解率软测量 | 第27-41页 |
| ·软测量建模方法 | 第27-30页 |
| ·机理建模 | 第27页 |
| ·经验建模 | 第27-30页 |
| ·回归分析建模 | 第28页 |
| ·自适应推理建模 | 第28-29页 |
| ·模糊数学建模 | 第29页 |
| ·人工神经网络建模 | 第29-30页 |
| ·支持向量机建模 | 第30页 |
| ·人工神经网络理论 | 第30-32页 |
| ·人工神经元 | 第31页 |
| ·神经网络结构 | 第31-32页 |
| ·神经网络学习规则 | 第32页 |
| ·基于BP 神经网络的窑尾分解率软测量建模 | 第32-40页 |
| ·BP 神经网络 | 第32-34页 |
| ·基于BP 神经网络的窑尾分解率软测量 | 第34-40页 |
| ·BP 网络模型学习算法 | 第35-36页 |
| ·BP 神经网络的窑尾分解率软测量建模 | 第36-39页 |
| ·基于BP 神经网络的窑尾分解率软测量模型预测 | 第39-40页 |
| ·本章小结 | 第40-41页 |
| 第四章 基于最小二乘支持向量机窑尾分解率软测量 | 第41-63页 |
| ·统计学习理论 | 第41-46页 |
| ·机器学习问题 | 第41-42页 |
| ·经验风险最小化准则 | 第42-43页 |
| ·统计学习理论的核心内容 | 第43-46页 |
| ·VC 维 | 第43-44页 |
| ·推广性的界 | 第44页 |
| ·结构风险最小化准则 | 第44-46页 |
| ·支持向量机与最小二乘支持向量机 | 第46-52页 |
| ·支持向量机原理 | 第46-47页 |
| ·支持向量机算法 | 第47-49页 |
| ·最小二乘支持向量机 | 第49-51页 |
| ·核函数 | 第51-52页 |
| ·基于最小二乘支持向量机的窑尾分解率软测量 | 第52-60页 |
| ·基于最小二乘支持向量机软测量步骤 | 第52-53页 |
| ·最小二乘支持向量机核函数的选取 | 第53页 |
| ·最小二乘支持向量机模型参数的选取 | 第53页 |
| ·窑尾分解率软测量建模 | 第53-58页 |
| ·基于最小二乘支持向量机窑尾分解率软测量模型预测 | 第58-60页 |
| ·两种窑尾分解率软测量模型比较 | 第60-61页 |
| ·本章小结 | 第61-63页 |
| 第五章 窑尾分解率软测量的软件开发 | 第63-76页 |
| ·窑尾分解率软测量程序框架 | 第63页 |
| ·DCS 控制系统 | 第63-65页 |
| ·数据采集与交换系统 | 第65-68页 |
| ·OPC 接口技术 | 第65-67页 |
| ·ADO 技术与 SQL Server 访问 | 第67页 |
| ·数据采集系统的实现 | 第67-68页 |
| ·窑尾分解率软测量软件开发 | 第68-74页 |
| ·最小二乘支持向量机在线算法 | 第68-72页 |
| ·窑尾分解率软测量软件应用 | 第72-74页 |
| ·本章小结 | 第74-76页 |
| 第六章 结论 | 第76-78页 |
| 参考文献 | 第78-82页 |
| 致谢 | 第82-84页 |
| 附录 A 样本数据 | 第84-91页 |
| 附录 B 攻读硕士学位期间完成的论文及参与的科研项目 | 第91页 |
| 发表的学术论文 | 第91页 |
| 作者攻读硕士学位期间参加的科研工作 | 第91页 |