支持向量机在双酚A软测量中的应用
| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 第一章 绪论 | 第7-15页 |
| ·课题背景 | 第7-8页 |
| ·软测量技术概念 | 第8页 |
| ·软测量技术的实现方法 | 第8-10页 |
| ·辅助变量的选择 | 第8-9页 |
| ·输入数据的处理 | 第9页 |
| ·软测量模型的建立 | 第9页 |
| ·软测量模型的在线校正 | 第9-10页 |
| ·实现软测量的建模技术 | 第10-12页 |
| ·基于工艺机理分析的软测量建模 | 第10页 |
| ·基于回归分析的软测量建模 | 第10页 |
| ·基于人工神经网络的软测量建模 | 第10页 |
| ·基于模式识别的软测量建模 | 第10-11页 |
| ·基于模糊数学的软测量建模 | 第11页 |
| ·基于状态估计的软测量建模 | 第11页 |
| ·基于过程层析成像的软测量建模 | 第11页 |
| ·基于相关分析的软测量建模 | 第11页 |
| ·基于现代非线性信息处理技术的软测量建模 | 第11-12页 |
| ·基于回归支持向量机的建模 | 第12页 |
| ·支持向量机在国内外研究现状 | 第12-13页 |
| ·论文结构安排 | 第13-14页 |
| ·本章小结 | 第14-15页 |
| 第二章 支持向量机及主要研究手段 | 第15-23页 |
| ·支持向量分类机 | 第15-17页 |
| ·支持向量回归机 | 第17-21页 |
| ·线性支持向量回归机 | 第17-19页 |
| ·核函数 | 第19-20页 |
| ·非线性支持向量回归机 | 第20-21页 |
| ·本章小结 | 第21-23页 |
| 第三章 各种支持向量机变形算法及SVR属性分析 | 第23-33页 |
| ·支持向量机变形算法 | 第23-29页 |
| ·C-SVM算法 | 第23-24页 |
| ·V-SVM算法 | 第24-25页 |
| ·One-classSVM算法 | 第25-27页 |
| ·FSVM算法 | 第27页 |
| ·LS-SVM算法 | 第27-28页 |
| ·各种支持向量机变形算法比较分析 | 第28-29页 |
| ·SVR属性分析 | 第29-31页 |
| ·解的稀疏性 | 第29-30页 |
| ·非线性映射 | 第30-31页 |
| ·凸二次规划 | 第31页 |
| ·正则化 | 第31页 |
| ·本章小结 | 第31-33页 |
| 第四章 基于粒子群优化算法的SVR参数选择 | 第33-39页 |
| ·引言 | 第33页 |
| ·混沌粒子群优化算法 | 第33-34页 |
| ·PSO算法的改进 | 第34页 |
| ·粒子群优化算法的基本步骤 | 第34-35页 |
| ·基于粒子群优化的支持向量机参数选择 | 第35页 |
| ·参数选择的评价标准------推广能力估计 | 第35-36页 |
| ·留一法(1eave-one-out,LOO) | 第35-36页 |
| ·k-fold交叉验证法 | 第36页 |
| ·留一法误差上界估计 | 第36页 |
| ·基于PSO的SVR参数选择 | 第36-37页 |
| ·粒子群优化(PSO)算法原理 | 第36-37页 |
| ·基于PSO的SVR参数调整算法 | 第37页 |
| ·参数优化在软测量仿真中的表现 | 第37-38页 |
| ·本章小结 | 第38-39页 |
| 第五章 支持向量机在双酚A软测量中的应用 | 第39-43页 |
| ·双酚A相关背景介绍 | 第39页 |
| ·双酚A工艺分析及建模 | 第39-42页 |
| ·双酚A制备工艺 | 第39-40页 |
| ·辅助变量的选择 | 第40页 |
| ·模型的建立 | 第40-41页 |
| ·仿真结果 | 第41-42页 |
| ·本章小结 | 第42-43页 |
| 第六章 总结与展望 | 第43-45页 |
| ·本文工作总结 | 第43页 |
| ·今后工作展望 | 第43-45页 |
| 致谢 | 第45-47页 |
| 参考文献 | 第47-51页 |
