软测量技术及其在含聚原油脱水生产过程中的应用
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-6页 |
| 创新点摘要 | 第6-9页 |
| 第一章 绪论 | 第9-22页 |
| ·软测量技术的发展现状 | 第9-11页 |
| ·软测量数学模型的描述 | 第11页 |
| ·软测量模型建立的方法 | 第11-16页 |
| ·纯机理建模方法 | 第11-12页 |
| ·基于数据驱动的建模方法 | 第12-15页 |
| ·混合建模方法 | 第15-16页 |
| ·影响软测量模型性能的主要因素 | 第16-18页 |
| ·辅助变量的选择 | 第16-17页 |
| ·测量数据的预处理 | 第17-18页 |
| ·主导变量与辅助变量之间的时序匹配 | 第18页 |
| ·软测量模型的维护 | 第18-19页 |
| ·课题来源与意义 | 第19-20页 |
| ·油水界面在线测量 | 第19-20页 |
| ·本文的工作安排 | 第20-22页 |
| 第二章 基于RBF 神经网络软测量建模的研究 | 第22-29页 |
| ·引言 | 第22-24页 |
| ·径向基函数RBF 神经网络算法 | 第24-26页 |
| ·RBF 神经元模型 | 第24-25页 |
| ·RBF 神经网络结构 | 第25页 |
| ·RBF 神经网络的逼近性能 | 第25-26页 |
| ·RBF 神经网络的学习算法 | 第26页 |
| ·仿真实例 | 第26-28页 |
| ·小结 | 第28-29页 |
| 第三章 基于最小二乘支持向量机的软测量研究 | 第29-43页 |
| ·支持向量机研究背景 | 第29-30页 |
| ·统计学习理论 | 第30-35页 |
| ·经验风险最小化原则 | 第30-31页 |
| ·函数集的VC 维 | 第31页 |
| ·结构风险最小化原则（SRM） | 第31-32页 |
| ·支持向量机的基本思想 | 第32-34页 |
| ·核函数 | 第34-35页 |
| ·支持向量机回归算法用于软测量建模 | 第35-37页 |
| ·求解SVM 的训练算法及其改进 | 第37-39页 |
| ·训练算法自身的改进 | 第38-39页 |
| ·缩小训练集算法 | 第39页 |
| ·LS-SVM 算法 | 第39-41页 |
| ·仿真实例 | 第41-42页 |
| ·小结 | 第42-43页 |
| 第四章 改进的LS-SVM 算法软测量建模 | 第43-56页 |
| ·加权最小二乘支持向量机软测量算法 | 第43-46页 |
| ·加权LS-SVM 算法 | 第43-45页 |
| ·加权LS-SVM 算法 | 第45-46页 |
| ·基于加权LS-SVM 算法实验结果 | 第46-54页 |
| ·RBF 核函数 | 第46-50页 |
| ·多项式核函数（Poly 核函数） | 第50-54页 |
| ·基于混合核函数的加权LS-SVM 算法仿真 | 第54-55页 |
| ·混合核函数的提出 | 第54页 |
| ·仿真结果 | 第54-55页 |
| ·小结 | 第55-56页 |
| 结论 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 发表文章目录 | 第62-63页 |
| 致谢 | 第63-64页 |
| 详细摘要 | 第64-68页 |
