| 中文摘要 | 第1-6页 |
| 英文摘要 | 第6-7页 |
| 第一章 绪论 | 第7-29页 |
| ·课题背景及研究意义 | 第7页 |
| ·生化过程优化控制的研究概况 | 第7-10页 |
| ·神经网络在控制过程中的研究进展 | 第8-9页 |
| ·模糊逻辑系统及其在控制系统中的应用 | 第9页 |
| ·回归支撑矢量机(SVM)及其在控制系统中的应用 | 第9-10页 |
| ·智能优化算法的研究概况 | 第10-17页 |
| ·遗传算法 | 第10页 |
| ·群体智能算法 | 第10-11页 |
| ·蚁群算法 | 第11-12页 |
| ·粒子群算法 | 第12-13页 |
| ·基本粒子群算法 | 第13-14页 |
| ·基本粒子群算法的优化 | 第14-16页 |
| ·基本粒子群算法的社会行为分析 | 第16页 |
| ·粒子群算法的两种基本进化模型 | 第16-17页 |
| ·改进的粒子群算法 | 第17-23页 |
| ·带有惯性因子的粒子群算法 | 第17-18页 |
| ·带有收缩因子的粒子群算法 | 第18-19页 |
| ·基于遗传思想改进粒子群算法 | 第19-20页 |
| ·利用小生境思想的粒子群算法 | 第20-22页 |
| ·其他的改进粒子群算法 | 第22页 |
| ·量子粒子群算法 | 第22-23页 |
| ·本文主要研究内容 | 第23-24页 |
| 参考文献 | 第24-29页 |
| 第二章 量子谐振子粒子群算法及自适应算法研究 | 第29-49页 |
| ·引言 | 第29页 |
| ·量子粒子群算法的势能场模型 | 第29-33页 |
| ·模型的建立 | 第29-32页 |
| ·粒子位置的度量 | 第32-33页 |
| ·粒子的收敛性 | 第33页 |
| ·量子谐振子粒子群算法(QOPSO 算法) | 第33-35页 |
| ·参数控制方法 | 第33-34页 |
| ·QOPSO 算法 | 第34-35页 |
| ·性能测试与实验结果讨论 | 第35-40页 |
| ·自适应的量子谐振子粒子群算法研究 | 第40-46页 |
| ·小结 | 第46页 |
| 参考文献 | 第46-49页 |
| 第三章 谷氨酸发酵过程中智能优化算法的研究 | 第49-73页 |
| ·谷氨酸工艺过程概述 | 第49-50页 |
| ·基于 RBF 神经元网络的谷氨酸发酵过程控制 | 第50-59页 |
| ·RBF 神经元网络概述 | 第50-51页 |
| ·RBF 网络的学习算法 | 第51-54页 |
| ·RBF 神经网络预估器的拓扑结构 | 第54-55页 |
| ·RBF 神经网络的训练数据 | 第55-56页 |
| ·系统仿真结果 | 第56-59页 |
| ·两类智能优化算法在谷氨酸发酵过程优化控制中的应用 | 第59-70页 |
| ·遗传算法 | 第60-64页 |
| ·谷氨酸发酵优化控制体系结构 | 第64-65页 |
| ·两类智能优化算法的优化系统在谷氨酸发酵中的仿真研究 | 第65-70页 |
| ·小结 | 第70页 |
| 参考文献 | 第70-73页 |
| 第四章 智能预估模型在谷氨酸发酵过程中的应用探讨 | 第73-92页 |
| ·基于支撑矢量机(SVM)的生化变量预估模型 | 第73-79页 |
| ·支撑矢量机(SVM)的基本思想 | 第73-74页 |
| ·支撑矢量机(SVM)的关键技术 | 第74-76页 |
| ·基于 SVM 的生化变量预估模型系统仿真结果 | 第76-79页 |
| ·基于 TSK 模糊逻辑系统的生化变量预估模型 | 第79-84页 |
| ·TSK 模糊逻辑系统概述 | 第79-80页 |
| ·TSK 模糊逻辑系统构造 | 第80-82页 |
| ·系统仿真结果 | 第82-84页 |
| ·智能预估模型 SVM、RBF 和 TSK 的性能比较 | 第84-88页 |
| ·小结 | 第88-89页 |
| 参考文献 | 第89-92页 |
| 结论与展望 | 第92-94页 |
| 论文创新点 | 第94-95页 |
| 致谢 | 第95-96页 |
| 附录 A 攻读博士学位期间完成的论文和参加的科研项目 | 第96-97页 |
| 附录 B 智能预估模型仿真实验界面 | 第97-99页 |
| 附录 C 发酵过程参数测控仪表配置 | 第99页 |
