| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第14-22页 |
| 1.1 课题背景和研究意义 | 第14-15页 |
| 1.2 软测量的主要内容及其研究现状 | 第15-19页 |
| 1.2.1 软测量的基本概念 | 第15-17页 |
| 1.2.2 软测量的研究方法 | 第17-19页 |
| 1.3 软测量建模的现有问题 | 第19-21页 |
| 1.3.1 数据利用 | 第19-20页 |
| 1.3.2 过程非线性 | 第20-21页 |
| 1.4 论文的主要结构与内容 | 第21页 |
| 1.5 本章小结 | 第21-22页 |
| 第二章 基本方法介绍 | 第22-30页 |
| 2.1 引言 | 第22页 |
| 2.2 半监督中的协同训练算法 | 第22-25页 |
| 2.3 偏最小二乘回归(PLS) | 第25页 |
| 2.4 局部加权偏最小二乘回归(LWPLS) | 第25-27页 |
| 2.5 k近邻算法(kNN) | 第27-28页 |
| 2.6 本章小结 | 第28-30页 |
| 第三章 基于协同训练偏最小二乘软测量模型的研究 | 第30-52页 |
| 3.1 引言 | 第30-31页 |
| 3.2 协同训练偏最小二乘模型 | 第31-38页 |
| 3.2.1 协同训练回归 | 第31-32页 |
| 3.2.2 协同训练偏最小二乘模型 | 第32-36页 |
| 3.2.3 基于Co-training PLS的软测量建模 | 第36-38页 |
| 3.3 案例研究 | 第38-50页 |
| 3.3.1 数值例子 | 第38-42页 |
| 3.3.2 TE Benchmark仿真研究 | 第42-50页 |
| 3.4 本章小结 | 第50-52页 |
| 第四章 基于协同训练局部加权偏最小二乘软测量模型的研究 | 第52-66页 |
| 4.1 引言 | 第52-53页 |
| 4.2 协同训练局部加权偏最小二乘模型 | 第53-58页 |
| 4.2.1 协同训练局部加权偏最小二乘模型 | 第54-56页 |
| 4.2.2 基于Co-training LWPLS的软测量建模技术 | 第56-58页 |
| 4.3 案例研究 | 第58-64页 |
| 4.3.1 青霉素生产发酵过程仿真研究 | 第58-64页 |
| 4.4 本章小结 | 第64-66页 |
| 第五章 总结与展望 | 第66-70页 |
| 5.1 研究工作总结 | 第66-67页 |
| 5.2 研究工作展望 | 第67-70页 |
| 参考文献 | 第70-76页 |
| 致谢 | 第76-77页 |
| 攻读硕士学位期间完成的学术成果 | 第77-78页 |
| 个人简历 | 第78页 |
