| 摘要 | 第1-6页 |
| ABSTRACT | 第6-17页 |
| 第一章 绪论 | 第17-29页 |
| ·研究的目的和意义 | 第17页 |
| ·软测量技术概述 | 第17-20页 |
| ·软测量技术的研究背景 | 第17-18页 |
| ·软测量建模方法 | 第18-19页 |
| ·神经网络在软测量技术中的应用 | 第19-20页 |
| ·软测量技术的基本原理 | 第20-23页 |
| ·辅助变量选择 | 第21页 |
| ·数据预处理 | 第21-22页 |
| ·建立软测量模型 | 第22-23页 |
| ·软测量模型在线校正 | 第23页 |
| ·强化学习控制技术概述 | 第23-26页 |
| ·强化学习的研究历史与现状 | 第23-24页 |
| ·强化学习算法在控制系统中的应用 | 第24页 |
| ·酵母发酵过程控制技术概述 | 第24-26页 |
| ·本文的主要工作 | 第26-29页 |
| 第二章 基于RBF神经网络的软测量技术 | 第29-39页 |
| ·引言 | 第29页 |
| ·RBF神经网络结构 | 第29-30页 |
| ·RBF网络的中心选取算法 | 第30-33页 |
| ·K-means聚类算法 | 第31-32页 |
| ·梯度下降法 | 第32页 |
| ·正交最小二乘(OLS) | 第32-33页 |
| ·RBF网络权值学习算法 | 第33-34页 |
| ·辅助变量选择 | 第34-37页 |
| ·基于主元分析(PCA)的辅助变量选择 | 第34-35页 |
| ·核主元分析(KPCA)的辅助变量选择 | 第35-37页 |
| ·数据预处理 | 第37-38页 |
| ·本章小结 | 第38-39页 |
| 第三章 基于(增强的全局K’-means算法)EGK’M-RBF网络软测量模型 | 第39-61页 |
| ·引言 | 第39页 |
| ·聚类分析技术概述 | 第39-41页 |
| ·聚类分析分类 | 第39-40页 |
| ·聚类分析中存在的问题及解决办法 | 第40-41页 |
| ·增强的全局K’-means算法(EGK’M) | 第41-47页 |
| ·初始聚类中心计算算法 | 第41-45页 |
| ·第k次划分问题 | 第45-46页 |
| ·确定聚类中心数的方法 | 第46-47页 |
| ·增强的全局K’-means算法的基本过程 | 第47页 |
| ·增强的全局K’-means算法对高斯数据集的聚类 | 第47-50页 |
| ·增强的全局K’-means算法在实际数据聚类中的应用 | 第50-55页 |
| ·与MGKM算法相比较的数据聚类 | 第50-52页 |
| ·与K’-means算法相比较的数据聚类 | 第52-53页 |
| ·Iris数据集和Wine数据集的聚类结果 | 第53-55页 |
| ·增强的全局K’-means算法在RBF网络中的应用 | 第55-57页 |
| ·基于EGK’M-RBF神经网络的在线自校正模型算法 | 第57-59页 |
| ·本章小结 | 第59-61页 |
| 第四章 聚丁二烯橡胶聚合过程软测量技术的实现及应用 | 第61-75页 |
| ·引言 | 第61-62页 |
| ·顺丁橡胶聚合过程简介 | 第62页 |
| ·顺丁橡胶聚合过程的工艺原理及辅助变量的选择 | 第62-63页 |
| ·现场数据采集及预处理 | 第63-64页 |
| ·聚丁二烯橡胶聚合过程门尼粘度软测量 | 第64-69页 |
| ·基于PCA和EGK’M-RBF神经网络的门尼粘度软测量模型 | 第66-67页 |
| ·基于KPCA和EGK’M-RBF神经网络的门尼粘度软测量模型 | 第67-69页 |
| ·顺丁橡胶门尼粘度软测量软件包的开发 | 第69-73页 |
| ·本章小结 | 第73-75页 |
| 第五章 改进的多步行为Q学习控制算法在酿酒酵母发酵过程中的应用 | 第75-93页 |
| ·引言 | 第75页 |
| ·酿酒酵母发酵过程简介 | 第75-77页 |
| ·酿酒酵母发酵过程的机理模型 | 第77-79页 |
| ·强化学习控制算法 | 第79-82页 |
| ·强化学习算法的原理和模型 | 第79-80页 |
| ·强化学习算法的组成要素 | 第80页 |
| ·强化学习算法的分类 | 第80-81页 |
| ·Q-学习算法 | 第81-82页 |
| ·改进的多步Q学习算法 | 第82-85页 |
| ·模糊k选择器 | 第83页 |
| ·基于模糊k选择器的多步行为Q学习算法 | 第83-85页 |
| ·基于改进的多步行为Q学习控制算法的酿酒酵母发酵过程乙醇浓度控制系统 | 第85-88页 |
| ·控制系统结构 | 第85页 |
| ·状态、行为以及报酬的定义 | 第85-87页 |
| ·模糊参数定义 | 第87-88页 |
| ·改进的多步行为Q学习控制算法结果分析 | 第88-92页 |
| ·与单步行为Q学习算法比较 | 第88-92页 |
| ·与改进的PID控制算法的比较 | 第92页 |
| ·本章小结 | 第92-93页 |
| 第六章 结论与展望 | 第93-95页 |
| 参考文献 | 第95-101页 |
| 致谢 | 第101-103页 |
| 研究成果及发表的学术论文 | 第103-105页 |
| 作者和导师简介 | 第105-106页 |
| 北京化工大学硕士研究生学位论文答辩委员会决议书 | 第106-107页 |
