| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 第一章 绪论 | 第7-13页 |
| ·发酵过程的软测量建模方法 | 第7-9页 |
| ·基于机理分析的建模方法 | 第7-8页 |
| ·基于回归分析的建模方法 | 第8页 |
| ·基于人工神经网络的建模方法 | 第8-9页 |
| ·基于支持向量机的建模方法 | 第9页 |
| ·其他建模方法 | 第9页 |
| ·发酵过程的优化控制 | 第9-10页 |
| ·本课题主要研究内容及论文安排 | 第10-13页 |
| 第二章 支持向量机理论与建模方法 | 第13-25页 |
| ·统计学习理论 | 第13-15页 |
| ·机器学习 | 第13-14页 |
| ·经验风险最小原则 | 第14页 |
| ·VC 维 | 第14-15页 |
| ·结构风险最小原则 | 第15页 |
| ·支持向量机的分类问题 | 第15-17页 |
| ·支持向量机的函数回归 | 第17-19页 |
| ·支持向量机训练算法 | 第19-23页 |
| ·最优化问题的Kuhu-Tucker 条件 | 第20页 |
| ·分块算法 | 第20页 |
| ·分解算法 | 第20-21页 |
| ·序列最小优化算法 | 第21-23页 |
| ·其他训练优化算法 | 第23页 |
| ·核函数 | 第23-24页 |
| ·本章小结 | 第24-25页 |
| 第三章 基于支持向量机的青霉素发酵过程建模 | 第25-39页 |
| ·青霉素发酵过程简介 | 第25-27页 |
| ·基于支持向量机的青霉素发酵过程建模 | 第27-30页 |
| ·基于神经网络的青霉素发酵过程建模 | 第30-33页 |
| ·神经网络结构类型 | 第30-32页 |
| ·RBF 神经网络建模 | 第32-33页 |
| ·SVM 与RBF 神经网络建模的性能比较 | 第33-37页 |
| ·仿真比较与数据分析 | 第34-35页 |
| ·结论 | 第35-37页 |
| ·本章小结 | 第37-39页 |
| 第四章 基于粒子群算法的支持向量机参数优化 | 第39-47页 |
| ·粒子群优化算法 | 第39-42页 |
| ·粒子群算法基本原理 | 第39页 |
| ·粒子群算法的数学描述 | 第39-41页 |
| ·粒子群算法的改进与发展 | 第41-42页 |
| ·基于PSO 的青霉素发酵过程支持向量机建模参数优化 | 第42-44页 |
| ·参数变化对SVM 模型性能的影响 | 第42-43页 |
| ·PSO 优化调整SVM 建模参数 | 第43-44页 |
| ·本章小结 | 第44-47页 |
| 第五章 基于PSO 和SVM 的青霉素发酵过程补料优化控制 | 第47-55页 |
| ·微生物发酵影响因素 | 第47-48页 |
| ·补料流加发酵 | 第48-49页 |
| ·补料优化控制 | 第49-50页 |
| ·基于SVM 模型的补料优化控制 | 第50-53页 |
| ·本章小结 | 第53-55页 |
| 第六章 总结与展望 | 第55-57页 |
| ·论文主要工作与总结 | 第55页 |
| ·研究展望 | 第55-57页 |
| 致谢 | 第57-58页 |
| 参考文献 | 第58-63页 |
| 附录：作者在攻读硕士学位期间发表的论文 | 第63页 |