| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第8-15页 |
| 1.1 课题研究背景及研究意义 | 第8-10页 |
| 1.2 软测量技术的国内外研究现状及其发展趋势 | 第10-13页 |
| 1.2.1 软测量技术国内外研究现状 | 第10-11页 |
| 1.2.2 软测量技术建模方法 | 第11-12页 |
| 1.2.3 软测量技术的发展趋势 | 第12-13页 |
| 1.3 论文主要内容和章节安排 | 第13-15页 |
| 第二章 软测量模型的建立 | 第15-30页 |
| 2.1 软测量的基本原理及其建模步骤 | 第15-22页 |
| 2.2 SVM建模 | 第22-29页 |
| 2.2.1 SVM算法理论基础 | 第22-25页 |
| 2.2.2 SVM的工业数据仿真分析 | 第25-29页 |
| 2.3 本章小结 | 第29-30页 |
| 第三章 贝叶斯网络的参数学习 | 第30-41页 |
| 3.1 贝叶斯网络的理论简介 | 第30-32页 |
| 3.1.1 贝叶斯网络的定义 | 第30-31页 |
| 3.1.2 贝叶斯网络的分类与应用 | 第31-32页 |
| 3.2 学习贝叶斯网络参数的方法 | 第32-35页 |
| 3.2.1 EM算法 | 第33页 |
| 3.2.2 梯度优化算法 | 第33-34页 |
| 3.2.3 最大似然估计MLE | 第34-35页 |
| 3.3 贝叶斯网络仿真分析 | 第35-38页 |
| 3.4 Bayesian Network与SVM的仿真对比 | 第38-40页 |
| 3.5 本章小结 | 第40-41页 |
| 第四章 基于贝叶斯网络的软测量模型 | 第41-53页 |
| 4.1 模型设计方案 | 第41-42页 |
| 4.2 高斯混合分布模型逼近贝叶斯网络 | 第42-44页 |
| 4.2.1 高斯混合分布 | 第42-43页 |
| 4.2.2 EM算法计算高斯混合模型 | 第43-44页 |
| 4.3 贝叶斯网络软测量模型的估计公式 | 第44-45页 |
| 4.4 基于贝叶斯网络的 4-CBA软测量建模 | 第45-51页 |
| 4.5 Bayesian Network与SVM模型工业数据仿真对比 | 第51-52页 |
| 4.6 本章小结 | 第52-53页 |
| 第五章 总结与展望 | 第53-55页 |
| 5.1 论文工作总结 | 第53页 |
| 5.2 展望 | 第53-55页 |
| 参考文献 | 第55-58页 |
| 致谢 | 第58页 |