基于机器学习的软测量技术理论与应用
| 摘要 | 第1-8页 |
| ABSTRACT | 第8-15页 |
| 第一章 绪论 | 第15-27页 |
| ·研究背景 | 第15-17页 |
| ·软测量技术简介 | 第17-20页 |
| ·软测量基本原理 | 第17-18页 |
| ·软测量技术分类 | 第18-19页 |
| ·软测量技术的主要应用 | 第19-20页 |
| ·机器学习理论综述 | 第20-23页 |
| ·机器学习的发展历史 | 第20-22页 |
| ·统计机器学习的基本模型 | 第22-23页 |
| ·基于经验数据的软测量建模 | 第23-25页 |
| ·噪声使问题复杂化 | 第23页 |
| ·传统软测量建模方法 | 第23-24页 |
| ·工业实用化的软测量建模 | 第24-25页 |
| ·本文主要内容 | 第25-27页 |
| 第二章 建模数据和信号及其预处理 | 第27-39页 |
| ·前言 | 第27-28页 |
| ·建模数据和信号 | 第28-33页 |
| ·瞬时同步输入数据 | 第28-31页 |
| ·过程式输入序列或信号 | 第31-33页 |
| ·数据的预处理 | 第33-36页 |
| ·数据标准化 | 第34页 |
| ·噪声数据削减 | 第34-35页 |
| ·数据规约 | 第35-36页 |
| ·信号的预处理 | 第36-38页 |
| ·信号标准化 | 第36-37页 |
| ·信号噪声和小波去噪 | 第37-38页 |
| ·本章小结 | 第38-39页 |
| 第三章 基于 K-最近邻回归算法的软测量建模 | 第39-49页 |
| ·引言 | 第39页 |
| ·改进 KNN 回归算法 | 第39-43页 |
| ·传统的kNN 回归算法 | 第40页 |
| ·属性加权距离kNN 回归算法 | 第40-41页 |
| ·基于kNN 算法的数据集剪辑方法 | 第41-42页 |
| ·快速的kNN 回归算法 | 第42-43页 |
| ·基于改进KNN 算法的软测量建模 | 第43-47页 |
| ·制浆蒸煮过程终点Kappa 值预报 | 第43-46页 |
| ·Abalone 数据集年轮预测 | 第46-47页 |
| ·本章小结 | 第47-49页 |
| 第四章 多神经网络模型及其工业软测量应用 | 第49-62页 |
| ·研究动机 | 第49-50页 |
| ·为什么要多神经网络模型 | 第49-50页 |
| ·多神经网络模型及其分类 | 第50-53页 |
| ·信息融合策略 | 第50-52页 |
| ·总体加权型多神经网络 | 第52页 |
| ·模块组合型多神经网络 | 第52-53页 |
| ·一种两层结构的多神经网络模型 | 第53-57页 |
| ·两层多神经网络模型的拓扑结构 | 第53-54页 |
| ·两层多神经网络模型的联结方法 | 第54-56页 |
| ·训练过程和预测过程 | 第56-57页 |
| ·软测量建模实例仿真 | 第57-60页 |
| ·数据集和实验方案 | 第57-58页 |
| ·仿真结果与讨论 | 第58-60页 |
| ·本章小结 | 第60-62页 |
| 第五章 基于支持向量机回归的软测量建模 | 第62-77页 |
| ·引言 | 第62-63页 |
| ·支持向量机 | 第63-67页 |
| ·结构风险最小化原则 | 第64-66页 |
| ·分类支持向量机 | 第66页 |
| ·回归支持向量机 | 第66-67页 |
| ·软间隔支持向量机回归 | 第67-71页 |
| ·ε不敏感损失函数 | 第67页 |
| ·软间隔支持向量回归机 | 第67-69页 |
| ·两种实现方法 | 第69-71页 |
| ·基于ε-SVMR 算法的软测量建模和仿真 | 第71-76页 |
| ·软测量模型的拓扑结构 | 第71-72页 |
| ·纸浆Kappa 值终点预测 | 第72-76页 |
| ·本章小结 | 第76-77页 |
| 第六章 时间序列的多步扩展预测建模 | 第77-85页 |
| ·引言 | 第77页 |
| ·基于时间差分算法的时间序列预测 | 第77-80页 |
| ·时间差分算法 | 第78-79页 |
| ·基于时间差分算法的神经网络 | 第79-80页 |
| ·基于特征扩展的时间序列预测 | 第80-81页 |
| ·时间序列的特征扩展 | 第80-81页 |
| ·基于特征扩展的预测建模 | 第81页 |
| ·多步预测建模仿真实验 | 第81-84页 |
| ·制浆蒸煮过程时间序列 | 第81-82页 |
| ·仿真实验及问题讨论 | 第82-84页 |
| ·本章小结 | 第84-85页 |
| 第七章 过程神经网络及其软测量应用 | 第85-97页 |
| ·引言 | 第85-86页 |
| ·过程神经网络 | 第86-88页 |
| ·过程神经元 | 第86页 |
| ·数值输出型过程神经网络 | 第86-87页 |
| ·函数输出型过程神经网络 | 第87-88页 |
| ·过程神经元的传统神经元逼近 | 第88-92页 |
| ·基于时域特征扩展的过程神经元逼近 | 第88-89页 |
| ·基于正交分解特征扩展的过程神经元逼近 | 第89-91页 |
| ·多层感知器逼近过程神经网络 | 第91-92页 |
| ·相关问题讨论 | 第92-94页 |
| ·预测建模应用实例仿真 | 第94-96页 |
| ·过程神经网络结构 | 第94-95页 |
| ·针对正弦波编码信号集的实验 | 第95-96页 |
| ·本章小结 | 第96-97页 |
| 第八章 过程式输入支持向量机 | 第97-106页 |
| ·引言 | 第97页 |
| ·过程式输入支持向量机 | 第97-100页 |
| ·过程式输入内积和范数定义 | 第98页 |
| ·过程式输入支持向量机 | 第98-100页 |
| ·核函数的相应推广 | 第100-101页 |
| ·高斯核函数的推广 | 第100页 |
| ·多项式核函数的推广 | 第100-101页 |
| ·预测建模应用实例仿真 | 第101-105页 |
| ·软间隔ε-PSVMR 学习器结构 | 第101页 |
| ·模型预测命中率对比 | 第101-103页 |
| ·自由参数对模型性能的影响 | 第103-105页 |
| ·本章小结 | 第105-106页 |
| 结论 | 第106-109页 |
| 1 主要工作与创新之处 | 第106-108页 |
| 2 今后研究工作展望 | 第108-109页 |
| 参考文献 | 第109-119页 |
| 攻读博士学位期间取得的研究成果 | 第119-121页 |
| 致谢 | 第121页 |
