| 摘要 | 第6-8页 |
| Abstract | 第8-9页 |
| 第一章 绪论 | 第12-15页 |
| 1.1 研究背景与意义 | 第12-14页 |
| 1.2 全文结构 | 第14-15页 |
| 第二章 文献综述 | 第15-30页 |
| 2.1 前言 | 第15页 |
| 2.2 软测量技术 | 第15-21页 |
| 2.2.1 辅助变量选择 | 第16-17页 |
| 2.2.2 过程数据预处理 | 第17-18页 |
| 2.2.3 软测量建模 | 第18-20页 |
| 2.2.4 模型验证与校正 | 第20-21页 |
| 2.3 多模型融合建模方法 | 第21-29页 |
| 2.3.1 聚类分析 | 第21-24页 |
| 2.3.2 集成学习 | 第24-26页 |
| 2.3.3 混合建模 | 第26-28页 |
| 2.3.4 未来研究方向 | 第28-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第三章 基于聚类分析与蜂群优化的多核相关向量机建模方法 | 第30-41页 |
| 3.1 前言 | 第30-31页 |
| 3.2 ABC-MKRVM模型 | 第31-37页 |
| 3.2.1 相关向量机 | 第31-33页 |
| 3.2.2 多核学习方法 | 第33-35页 |
| 3.2.3 人工蜂群寻优 | 第35-37页 |
| 3.3 FCM-ABC-MKRVM软测量建模 | 第37-40页 |
| 3.3.1 模糊C均值聚类 | 第37-38页 |
| 3.3.2 多模型融合 | 第38-39页 |
| 3.3.3 软测量模型实施步骤 | 第39-40页 |
| 3.4 本章小结 | 第40-41页 |
| 第四章 选择性集成极限学习机建模方法 | 第41-53页 |
| 4.1 前言 | 第41-42页 |
| 4.2 集成极限学习机模型 | 第42-46页 |
| 4.2.1 极限学习机 | 第42-44页 |
| 4.2.2 Bagging集成学习技术 | 第44-46页 |
| 4.3 选择性集成极限学习机软测量建模 | 第46-52页 |
| 4.3.1 选择性集成 | 第46-48页 |
| 4.3.2 聚类选择法 | 第48-49页 |
| 4.3.3 信息熵加权 | 第49-51页 |
| 4.3.4 软测量模型实施步骤 | 第51-52页 |
| 4.4 本章小结 | 第52-53页 |
| 第五章 聚丙烯熔融指数软测量应用研究 | 第53-77页 |
| 5.1 前言 | 第53-54页 |
| 5.2 聚丙烯生产工艺 | 第54-56页 |
| 5.3 熔融指数软测量 | 第56-76页 |
| 5.3.1 辅助变量选择 | 第56-57页 |
| 5.3.2 过程数据预处理 | 第57-58页 |
| 5.3.3 FCM-ABC-MKRVM多模型融合软测量模型 | 第58-66页 |
| 5.3.4 选择性集成极限学习机软测量模型 | 第66-76页 |
| 5.4 本章小结 | 第76-77页 |
| 第六章 总结与展望 | 第77-80页 |
| 6.1 全文总结 | 第77-78页 |
| 6.2 研究展望 | 第78-80页 |
| 参考文献 | 第80-87页 |
| 作者简历 | 第87-88页 |
| 致谢 | 第88页 |