| 学位论文数据集 | 第3-4页 |
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-8页 |
| 第一章 绪论 | 第15-25页 |
| 1.1 引言 | 第15页 |
| 1.2 间歇过程软测量建模方法研究现状 | 第15-19页 |
| 1.2.1 基于机理分析的软测量建模方法 | 第16页 |
| 1.2.2 基于数据驱动的软测量建模方法 | 第16-19页 |
| 1.3 测量数据异常检测方法研究现状 | 第19-22页 |
| 1.3.1 基于模型的测量数据异常检测方法 | 第19-20页 |
| 1.3.2 基于数据驱动的测量数据异常检测方法 | 第20-22页 |
| 1.4 课题的研究意义和主要研究内容 | 第22-25页 |
| 1.4.1 研究意义 | 第22-23页 |
| 1.4.2 主要内容 | 第23-25页 |
| 第二章 基于机理分析和即时学习相关向量机的多模态间歇过程混合建模方法研究 | 第25-39页 |
| 2.1 引言 | 第25页 |
| 2.2 相关向量机 | 第25-28页 |
| 2.2.1 贝叶斯框架下的回归模型 | 第25-27页 |
| 2.2.2 基于相关向量机模型的变量数据预测 | 第27-28页 |
| 2.3 即时学习相关向量机 | 第28-31页 |
| 2.3.1 即时学习训练数据集构建 | 第28-29页 |
| 2.3.2 即时学习相关向量机模型 | 第29-30页 |
| 2.3.3 基于即时学习相关向量机模型的变量数据预测 | 第30-31页 |
| 2.4 基于机理分析和即时学习相关向量机的多模态间歇过程混合建模 | 第31-37页 |
| 2.4.1 混合模型结构 | 第32页 |
| 2.4.2 间歇过程数据预处理 | 第32页 |
| 2.4.3 基于机理分析的间歇过程机理建模 | 第32-33页 |
| 2.4.4 基于JIT-RVM的多模态间歇过程辨识建模 | 第33-36页 |
| 2.4.5 基于机理分析和JIT-RVM的多模态间歇过程混合建模实现 | 第36-37页 |
| 2.5 本章小结 | 第37-39页 |
| 第三章 基于混合模型和支持向量数据描述的多模态间歇过程测量数据异常检测方法 | 第39-47页 |
| 3.1 引言 | 第39页 |
| 3.2 基于支持向量数据描述的多模态间歇过程测量数据异常检测 | 第39-42页 |
| 3.2.1 SVDD原理 | 第39-41页 |
| 3.2.2 基于SVDD的多模态间歇过程测量数据异常检测 | 第41-42页 |
| 3.3 基于混合模型和SVDD的多模态间歇过程测量数据异常检测 | 第42-45页 |
| 3.3.1 残差序列的生成 | 第42-43页 |
| 3.3.2 基于SVDD残差评价的多模态间歇过程测量数据异常检测 | 第43-44页 |
| 3.3.3 基于混合模型和SVDD的间歇过程测量数据异常检测实现 | 第44-45页 |
| 3.4 本章小结 | 第45-47页 |
| 第四章 实验与分析 | 第47-61页 |
| 4.1 青霉素生产过程混合建模实验 | 第47-55页 |
| 4.1.1 青霉素生产过程平台 | 第47-49页 |
| 4.1.2 基于机理分析的机理模型测试 | 第49-53页 |
| 4.1.3 基于JIT-RVM的辨识模型测试 | 第53-55页 |
| 4.2 青霉素生产过程测量数据异常检测实验 | 第55-61页 |
| 4.2.1 青霉素生产过程测量数据异常 | 第55-58页 |
| 4.2.2 青霉素生产过程测量数据异常检测 | 第58-61页 |
| 第五章 结论与展望 | 第61-63页 |
| 5.1 结论 | 第61-62页 |
| 5.2 展望 | 第62-63页 |
| 参考文献 | 第63-67页 |
| 致谢 | 第67-69页 |
| 研究成果及发表的学术论文 | 第69-71页 |
| 作者及导师简介 | 第71-73页 |
| 硕士研究生学位论文答辩委员会决议书 | 第73-74页 |
