基于案例推理方法的改进及其在软测量建模中的应用
| 摘要 | 第1-6页 |
| Abstract | 第6-9页 |
| 第1章 绪论 | 第9-17页 |
| ·课题研究背景和意义 | 第9-10页 |
| ·软测量技术概述 | 第10-13页 |
| ·辅助变量的选取 | 第11页 |
| ·数据采集和预处理 | 第11页 |
| ·软测量模型的建立 | 第11-13页 |
| ·模型的在线校正 | 第13页 |
| ·基于数据驱动建模的方法 | 第13-15页 |
| ·基于回归分析的方法 | 第13页 |
| ·人工神经网络方法 | 第13-14页 |
| ·模糊建模方法 | 第14页 |
| ·支持向量机 | 第14-15页 |
| ·基于案例推理系统的软测量建模 | 第15页 |
| ·全文主要内容和安排 | 第15-17页 |
| 第2章 基于案例推理系统 | 第17-27页 |
| ·基于规则推理的方法 | 第17页 |
| ·基于案例推理的原理 | 第17-20页 |
| ·CBR的形成与发展 | 第17-19页 |
| ·CBR的关键技术 | 第19-20页 |
| ·CBR的研究现状 | 第20-26页 |
| ·CBR系统的特点 | 第20页 |
| ·CBR与数据挖掘技术的集成 | 第20-23页 |
| ·CBR与智能算法的集成 | 第23-26页 |
| ·本章小结 | 第26-27页 |
| 第3章 基于最近邻回归算法的案例推理 | 第27-34页 |
| ·案例检索方法 | 第27-28页 |
| ·基于归纳推理的检索方法 | 第27-28页 |
| ·基于知识导引的检索方法 | 第28页 |
| ·K最近邻回归算法 | 第28-30页 |
| ·传统的K最近邻算法 | 第28-29页 |
| ·结合回归分析的K最近邻算法 | 第29-30页 |
| ·仿真实验 | 第30-32页 |
| ·本章小结 | 第32-34页 |
| 第4章 案例检索方法的改进 | 第34-49页 |
| ·基于聚类思想的案例库划分法 | 第34-45页 |
| ·K均值聚类算法 | 第34-36页 |
| ·改进的K均值聚类算法 | 第36-38页 |
| ·基于聚类思想的K最近邻回归算法仿真 | 第38-45页 |
| ·结合粒子群算法的K最近邻回归算法 | 第45-48页 |
| ·改进的粒子群参数优化法 | 第45-47页 |
| ·粒子群进行参数优化的仿真 | 第47-48页 |
| ·本章小结 | 第48-49页 |
| 第5章 酯化反应的软测量建模 | 第49-56页 |
| ·酯化反应的工艺机理 | 第49-51页 |
| ·酯化反应中辅助变量的选取 | 第51-52页 |
| ·算法介绍 | 第52-53页 |
| ·仿真 | 第53-55页 |
| ·本章小结 | 第55-56页 |
| 第6章 总结与展望 | 第56-58页 |
| ·本文完成的内容 | 第56页 |
| ·展望 | 第56-58页 |
| 参考文献 | 第58-63页 |
| 致谢 | 第63页 |
