| 摘要 | 第1-4页 |
| ABSTRACT | 第4-8页 |
| 第一章 绪论 | 第8-15页 |
| ·课题背景及意义 | 第8-9页 |
| ·软测量建模的一般性描述 | 第9页 |
| ·基于数据建模的两种准则 | 第9-11页 |
| ·传统统计学与经验风险最小化准则 | 第9-10页 |
| ·统计学习理论与结构风险最小化准则 | 第10-11页 |
| ·软测量建模技术的研究现状 | 第11-14页 |
| ·论文的研究内容及安排 | 第14-15页 |
| 第二章 基于支持向量机的软测量建模技术概述 | 第15-27页 |
| ·引言 | 第15页 |
| ·软测量建模技术基本原理 | 第15-18页 |
| ·辅助变量的选择 | 第15-16页 |
| ·数据采集及预处理 | 第16-17页 |
| ·主导变量与辅助变量之间的时序匹配 | 第17页 |
| ·软测量模型的建立 | 第17-18页 |
| ·软测量测量模型的在线校正 | 第18页 |
| ·典型的软测量建模技术—支持向量机的特点 | 第18-19页 |
| ·支持向量机算法介绍 | 第19-26页 |
| ·支持向量机分类算法介绍 | 第19-21页 |
| ·线性支持向量机回归（SVR）算法介绍 | 第21-23页 |
| ·非线性SVR 算法介绍 | 第23-25页 |
| ·SVM 属性分析 | 第25-26页 |
| ·本章小结 | 第26-27页 |
| 第三章 基于改进PSO 算法的支持向量机参数选择及其应用 | 第27-36页 |
| ·引言 | 第27页 |
| ·参数选择的评价标准—泛化能力 | 第27-28页 |
| ·基于改进PSO 算法的SVM 参数选择 | 第28-30页 |
| ·改进的PSO 算法原理 | 第28-29页 |
| ·支持向量机回归建模算法 | 第29-30页 |
| ·基于改进PSO 算法的SVM 参数调整问题 | 第30页 |
| ·仿真实验 | 第30-35页 |
| ·数值函数示例 | 第30-33页 |
| ·实际运用示例 | 第33-35页 |
| ·本章小结 | 第35-36页 |
| 第四章 基于PLS-SVM 方法的软测量建模 | 第36-41页 |
| ·引言 | 第36页 |
| ·PLS 算法原理 | 第36-37页 |
| ·PLS 与SVM 相结合的建模原理 | 第37-38页 |
| ·基于混合PLS-SVM 的双酚A 结晶塔软测量模型 | 第38-40页 |
| ·工艺分析 | 第38页 |
| ·双酚A 混合PLS-SVM 模型的建立 | 第38-40页 |
| ·本章小结 | 第40-41页 |
| 第五章 模糊C 均值聚类在双酚A 软测量建模中的应用 | 第41-47页 |
| ·引言 | 第41页 |
| ·模糊C 均值聚类算法 | 第41-43页 |
| ·基于模糊C 均值的支持向量机回归建模算法 | 第43-44页 |
| ·支持向量机回归建模原理 | 第43页 |
| ·基于FCM 的SVM 多模型建模算法 | 第43-44页 |
| ·基于模糊C 均值的双酚A 结晶塔软测量模型 | 第44-46页 |
| ·工艺分析 | 第44页 |
| ·仿真模型的建立及结果分析 | 第44-45页 |
| ·仿真结果分析 | 第45-46页 |
| ·本章小结 | 第46-47页 |
| 第六章 总结与展望 | 第47-49页 |
| ·本文的工作总结 | 第47页 |
| ·今后工作展望 | 第47-49页 |
| 致谢 | 第49-50页 |
| 参考文献 | 第50-55页 |
| 附录：作者在攻读硕士学位期间发表的论文 | 第55页 |
