| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-20页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 软测量技术研究与发展现状 | 第11-18页 |
| 1.2.1 基于工艺机理的软测量建模方法 | 第12-13页 |
| 1.2.2 基于回归分析的软测量建模方法 | 第13-14页 |
| 1.2.3 基于状态估计的软测量建模方法 | 第14-15页 |
| 1.2.4 基于人工神经网络的软测量建模方法 | 第15-16页 |
| 1.2.5 基于支持向量机的软测量建模方法 | 第16-17页 |
| 1.2.6 基于高斯过程回归的软测量建模方法 | 第17-18页 |
| 1.3 本文主要内容及章节安排 | 第18-20页 |
| 第二章 基于高斯过程回归的软测量建模方法 | 第20-31页 |
| 2.1 引言 | 第20页 |
| 2.2 高斯过程的定义 | 第20-21页 |
| 2.3 高斯过程回归原理 | 第21-25页 |
| 2.3.1 高斯过程回归软测量建模 | 第21-23页 |
| 2.3.2 共轭梯度法概述 | 第23-25页 |
| 2.4 高斯过程回归模型在海洋酶发酵过程软测量中的应用 | 第25-30页 |
| 2.4.1 海洋酶发酵过程 | 第25-26页 |
| 2.4.2 数据采集和预处理 | 第26-27页 |
| 2.4.3 软测量模型评价标准 | 第27页 |
| 2.4.4 高斯过程回归模型在海洋酶发酵过程软测量中的应用 | 第27-30页 |
| 2.5 本章小结 | 第30-31页 |
| 第三章 基于NN-MIV的高斯过程回归软测量建模方法 | 第31-40页 |
| 3.1 引言 | 第31页 |
| 3.2 NN-MIV基本原理 | 第31-35页 |
| 3.2.1 平均影响值变量选择方法 | 第32-33页 |
| 3.2.2 神经网络变量选择方法 | 第33-34页 |
| 3.2.3 NN-MIV变量选择方法 | 第34-35页 |
| 3.3 NN-MIV变量选择方法优化高斯过程回归软测量模型 | 第35-39页 |
| 3.3.1 变量选择 | 第35-37页 |
| 3.3.2 NN-MIV优化后的高斯过程回归软测量模型分析 | 第37-39页 |
| 3.4 本章小结 | 第39-40页 |
| 第四章 基于NNMIV-PCA的高斯过程回归软测量建模方法 | 第40-52页 |
| 4.1 引言 | 第40页 |
| 4.2 NNMIV-PCA软测量模型优化方法 | 第40-47页 |
| 4.2.1 主成分分析方法 | 第41-46页 |
| 4.2.2 NNMIV-PCA变量选择方法 | 第46-47页 |
| 4.3 基于NNMIV-PCA的高斯过程回归软测量建模方法 | 第47-51页 |
| 4.4 本章小结 | 第51-52页 |
| 第五章 基于GSA优化的高斯过程回归软测量建模方法 | 第52-61页 |
| 5.1 引言 | 第52页 |
| 5.2 万有引力搜索算法概述 | 第52-56页 |
| 5.3 基于GSA-GPR的海洋酶发酵过程软测量建模方法 | 第56-60页 |
| 5.3.1 基于GSA-GPR的软测量方法实现过程 | 第56-57页 |
| 5.3.2 基于GSA-GPR的软测量结果分析 | 第57-60页 |
| 5.4 本章小结 | 第60-61页 |
| 第六章 总结与展望 | 第61-64页 |
| 6.1 总结 | 第61-62页 |
| 6.2 研究展望 | 第62-64页 |
| 参考文献 | 第64-70页 |
| 致谢 | 第70-71页 |
| 攻读硕士期间取得的成果 | 第71页 |
