| 摘要 | 第1-6页 |
| ABSTRACT | 第6-11页 |
| 第1章 绪论 | 第11-19页 |
| ·研究背景及意义 | 第11-12页 |
| ·研究现状 | 第12-16页 |
| ·软测量技术的研究现状 | 第12-14页 |
| ·RBF 神经网络建模技术的研究现状 | 第14-16页 |
| ·研究内容和预期目标 | 第16-17页 |
| ·论文结构 | 第17-19页 |
| 第2章 基于神经网络的动态流量软测量模型研究 | 第19-26页 |
| ·软测量技术的数学描述和结构分析 | 第19-20页 |
| ·软测量的数学描述 | 第19-20页 |
| ·软测量的结构分析 | 第20页 |
| ·影响软测量模型性能的因素 | 第20-23页 |
| ·辅助变量的选择 | 第20-21页 |
| ·测量数据的预处理 | 第21-22页 |
| ·软测量建模及模型的在线校正 | 第22-23页 |
| ·软测量模型的设计 | 第23-24页 |
| ·基于神经网络的流量软测量模型可行性分析 | 第24-25页 |
| ·本章小结 | 第25-26页 |
| 第3章 基于改进敏感性分析算法的 RBF 神经网络研究 | 第26-39页 |
| ·RBF 神经网络结构分析及学习算法比较 | 第26-29页 |
| ·RBF 神经网络拓扑结构分析 | 第26-27页 |
| ·RBF 神经网络常用的学习算法及比较 | 第27-29页 |
| ·RBF 神经网络的问题及改进 | 第29页 |
| ·基于改进敏感性分析算法的RBF 神经网络参数的优化 | 第29-33页 |
| ·基于减聚类算法的 RBF 中心的选取及宽度确定 | 第30-31页 |
| ·基于 SenV 算法的 RBF 神经网络参数优化 | 第31-33页 |
| ·计算机仿真研究 | 第33-38页 |
| ·RBF 神经网络样本数据的获取 | 第33-35页 |
| ·RBF 神经网络样本数据的训练 | 第35-36页 |
| ·RBF 神经网络智能检测结果及评价 | 第36-38页 |
| ·本章小结 | 第38-39页 |
| 第4章 引入改进进化方向算子的粒子群算法的研究 | 第39-61页 |
| ·基于粒子群算法的RBF 神经网络优化研究 | 第39-45页 |
| ·粒子群算法的生物模型 | 第39-40页 |
| ·粒子群算法的数学描述 | 第40-41页 |
| ·粒子群算法的设计流程 | 第41-44页 |
| ·粒子群算法优化 RBF 神经网络的可行性分析 | 第44-45页 |
| ·标准粒子群算法分析与改进 | 第45-48页 |
| ·PSO 算法参数性能分析 | 第45-47页 |
| ·经典的粒子群算法改进方法 | 第47-48页 |
| ·引入改进进化方向算子的粒子群算法(IPSO)的提出 | 第48-49页 |
| ·IPSO 学习算法的性能评价指标 | 第49-50页 |
| ·PSO 算法优化RBF 神经网络结构和参数的实现流程 | 第50-55页 |
| ·RBF 神经网络结构设计 | 第50-51页 |
| ·粒子群优化算法的参数设计 | 第51-54页 |
| ·IPSO 算法优化RBF 神经网络的工作流程 | 第54-55页 |
| ·仿真实验及结果分析 | 第55-59页 |
| ·本章小结 | 第59-61页 |
| 第5章 基于 RBF 网络的动态流量软测量系统的实现 | 第61-71页 |
| ·实验方案的设计 | 第61-62页 |
| ·基于 RBF 神经网络的动态流量软测量建模 | 第62页 |
| ·获取动态流量软测量数据 | 第62-64页 |
| ·辅助变量的选择 | 第62-63页 |
| ·现场数据采集 | 第63页 |
| ·数据预处理 | 第63-64页 |
| ·动态流量软测量模型中神经网络和粒子群算法的设计 | 第64-65页 |
| ·RBF 神经网络结构和参数的确定 | 第64-65页 |
| ·粒子群算法的设计 | 第65页 |
| ·仿真实验及结果分析 | 第65-67页 |
| ·建模软件功能演示 | 第67-70页 |
| ·本章小结 | 第70-71页 |
| 结论 | 第71-73页 |
| 参考文献 | 第73-77页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第77-78页 |
| 致谢 | 第78-79页 |
| 作者简介 | 第79页 |
