| 摘要 | 第5-7页 |
| Abstract | 第7-9页 |
| 1 绪论 | 第18-42页 |
| 1.1 课题背景及研究意义 | 第18-20页 |
| 1.2 软测量的研究内容与方法 | 第20-26页 |
| 1.2.1 软测量建模基本步骤 | 第20-23页 |
| 1.2.1.1 辅助变量的选择 | 第20-21页 |
| 1.2.1.2 数据采集与预处理 | 第21-22页 |
| 1.2.1.3 软测量模型建立 | 第22页 |
| 1.2.1.4 模型校正 | 第22-23页 |
| 1.2.2 软测量建模基本方法 | 第23-26页 |
| 1.2.2.1 过程机理建模 | 第23页 |
| 1.2.2.2 数据驱动的模型 | 第23-26页 |
| 1.2.2.3 灰箱建模 | 第26页 |
| 1.3 软测量的对象特征 | 第26-34页 |
| 1.3.1 数据高维度和变量冗余 | 第27-28页 |
| 1.3.2 过程非线性 | 第28-30页 |
| 1.3.3 时变特性 | 第30-31页 |
| 1.3.4 动态特性 | 第31-32页 |
| 1.3.5 随机噪声数据 | 第32-33页 |
| 1.3.6 数据缺失和标签样本有限性 | 第33-34页 |
| 1.4 基于即时学习的复杂非线性软测量研究 | 第34-38页 |
| 1.4.1 基于即时学习的非线性过程软测量建模 | 第34-37页 |
| 1.4.2 基于即时学习非线性过程建模研究现状 | 第37-38页 |
| 1.5 本文的研究内容与创新点 | 第38-41页 |
| 1.5.1 本文主要研究内容 | 第38-39页 |
| 1.5.2 文章主要创新点介绍 | 第39-41页 |
| 1.5.2.1 输出相关约束的非线性过程软测量 | 第39-40页 |
| 1.5.2.2 非线性时变过程软测量 | 第40页 |
| 1.5.2.3 带有变量漂移的非线性时变过程软测量 | 第40页 |
| 1.5.2.4 非线性随机噪声过程软测量 | 第40-41页 |
| 1.5.2.5 非线性数据不完备过程软测量 | 第41页 |
| 1.5.2.6 非线性动态过程软测量 | 第41页 |
| 1.6 本章小结 | 第41-42页 |
| 2 基于输出约束即时学习的非线性过程软测量 | 第42-58页 |
| 2.1 引言 | 第42-43页 |
| 2.2 即时学习中的相似度度量 | 第43-46页 |
| 2.3 双重局部加权主元回归 | 第46-51页 |
| 2.4 有监督隐空间样本选择的D-LWPCR建模 | 第51-53页 |
| 2.5 实例研究 | 第53-56页 |
| 2.5.1 数值仿真 | 第53-54页 |
| 2.5.2 高炉炼铁过程 | 第54-56页 |
| 2.6 本章小结 | 第56-58页 |
| 3 基于局部加权核主成分回归的非线性时变过程软测量 | 第58-76页 |
| 3.1 引言 | 第58-59页 |
| 3.2 局部加权核主成分回归(LWKPCR) | 第59-63页 |
| 3.2.1 算法介绍 | 第59-62页 |
| 3.2.2 核矩阵中心化 | 第62-63页 |
| 3.3 基于JITL-LWKPCR的软测量建模框架 | 第63-65页 |
| 3.4 实例研究 | 第65-75页 |
| 3.4.1 脱丁烷塔过程 | 第66-70页 |
| 3.4.2 青霉素过程 | 第70-75页 |
| 3.5 本章小结 | 第75-76页 |
| 4 非线性时变和变量漂移过程的时空自适应软测量 | 第76-90页 |
| 4.1 引言 | 第76-78页 |
| 4.2 预备知识 | 第78-81页 |
| 4.2.1 时间差分模型(TD) | 第78页 |
| 4.2.2 移动窗模型(MW) | 第78-79页 |
| 4.2.3 局部加权偏最小二乘回归(LWPLS) | 第79-81页 |
| 4.3 时空自适应软测量模型框架 | 第81-83页 |
| 4.4 实例研究 | 第83-89页 |
| 4.4.1 数值仿真 | 第83-85页 |
| 4.4.2 硫回收单元 | 第85-88页 |
| 4.4.3 高炉炼铁过程 | 第88-89页 |
| 4.5 本章小结 | 第89-90页 |
| 5 基于加权概率隐变量模型的非线性随机噪声过程软测量 | 第90-108页 |
| 5.1 引言 | 第90-91页 |
| 5.2 基于WPPCA的非线性过程软测量 | 第91-96页 |
| 5.2.1 概率主元分析(PPCA) | 第91-92页 |
| 5.2.2 加权概率主元分析(WPPCA) | 第92-96页 |
| 5.2.2.1 极大化似然函数法估计(MLE) | 第92-94页 |
| 5.2.2.2 EM算法估计 | 第94-96页 |
| 5.3 基于WPPCR的软测量 | 第96-99页 |
| 5.3.1 概率主元回归(PPCR) | 第96-97页 |
| 5.3.2 加权概率主元回归(WPPCR) | 第97-99页 |
| 5.4 基于WPPCA和WPPCR的软测量建模框架 | 第99-102页 |
| 5.4.1 基于WPPCA的软测量建模 | 第100-101页 |
| 5.4.2 基于WPPCR的软测量模型 | 第101-102页 |
| 5.5 实例研究 | 第102-105页 |
| 5.5.1 数值例子 | 第102-104页 |
| 5.5.2 脱丁烷塔过程 | 第104-105页 |
| 5.6 本章小结 | 第105-108页 |
| 6 基于即时学习的非线性不完整数据过程软测量 | 第108-134页 |
| 6.1 引言 | 第108-111页 |
| 6.1.1 输入变量数据缺失 | 第108-109页 |
| 6.1.2 输出标签样本缺失 | 第109-111页 |
| 6.2 基于概率即时学习的缺失数据的非线性过程软测量 | 第111-124页 |
| 6.2.1 预备知识 | 第111-115页 |
| 6.2.1.1 变分贝叶斯主元分析 | 第111-113页 |
| 6.2.1.2 高斯过程回归(GPR) | 第113-115页 |
| 6.2.2 概率即时学习(P-JITL) | 第115-119页 |
| 6.2.2.1 数据预处理 | 第115-117页 |
| 6.2.2.2 新样本选择的相似度准则 | 第117-118页 |
| 6.2.2.3 在线局部建模和预测 | 第118-119页 |
| 6.2.3 实例研究 | 第119-124页 |
| 6.2.3.1 数值仿真 | 第119-122页 |
| 6.2.3.2 脱丁烷塔过程 | 第122-124页 |
| 6.3 基于加权半监督概率主元回归的非线性过程软测量 | 第124-132页 |
| 6.3.1 半监督加权概率主元回归(SWPPCR) | 第124-127页 |
| 6.3.2 基于SWPPCR的半监督即时学习建模框架 | 第127-129页 |
| 6.3.3 实例研究 | 第129-132页 |
| 6.3.3.1 数值仿真 | 第129-131页 |
| 6.3.3.2 脱丁烷塔过程 | 第131-132页 |
| 6.4 本章小结 | 第132-134页 |
| 7 基于加权线性动态系统的非线性动态过程软测量 | 第134-154页 |
| 7.1 引言 | 第134-135页 |
| 7.2 预备知识 | 第135-137页 |
| 7.2.1 概率主元分析(PPCA) | 第136页 |
| 7.2.2 线性动态系统(LDS) | 第136-137页 |
| 7.3 加权线性动态系统(WLDS) | 第137-144页 |
| 7.3.1 局部加权回归 | 第137-138页 |
| 7.3.2 WLDS算法介绍 | 第138-144页 |
| 7.3.2.1 权重设计 | 第139-141页 |
| 7.3.2.2 EM参数估计算法 | 第141-144页 |
| 7.4 基于WLDS的在线软测量 | 第144-145页 |
| 7.5 实例研究 | 第145-153页 |
| 7.5.1 数值仿真 | 第145-149页 |
| 7.5.2 脱丁烷塔 | 第149-153页 |
| 7.6 本章小结 | 第153-154页 |
| 8 总结与展望 | 第154-158页 |
| 8.1 研究工作总结 | 第154-156页 |
| 8.2 研究工作展望 | 第156-158页 |
| 参考文献 | 第158-170页 |
| 致谢 | 第170-172页 |
| 攻读博士期间的论文和成果 | 第172-174页 |
| 攻读博士学位期间参加的科研项目 | 第174页 |
