| 摘要 | 第1-5页 |
| ABSTRACT | 第5-7页 |
| 目录 | 第7-11页 |
| 第一章 绪论 | 第11-41页 |
| ·数据挖掘技术及其应用 | 第11-14页 |
| ·数据挖掘 | 第11-12页 |
| ·过程工业数据特点 | 第12-14页 |
| ·统计学习理论及支持向量机 | 第14-27页 |
| ·经验风险最小化原则 | 第14-16页 |
| ·统计学习理论的核心内容 | 第16-17页 |
| ·学习过程一致性的条件 | 第17-19页 |
| ·结构风险最小化原则 | 第19-21页 |
| ·支持向量机 | 第21-27页 |
| ·SVM的研究进展 | 第27-31页 |
| ·SVM训练算法研究 | 第27-28页 |
| ·SVM的派生方法 | 第28-29页 |
| ·SVM的模型选择 | 第29-30页 |
| ·SVM的应用研究 | 第30-31页 |
| ·PX、PTA工业发展现状 | 第31-32页 |
| ·论文主要内容及安排 | 第32-41页 |
| 第二章 一种改进的SVM分类算法FS-SVM | 第41-51页 |
| ·引言 | 第41页 |
| ·SVM训练算法 | 第41-43页 |
| ·KKT条件几何解释 | 第43-44页 |
| ·改进的SVM分类算法FS-SVM | 第44-45页 |
| ·FS-SVM算法训练步骤 | 第45-46页 |
| ·仿真结果和分析 | 第46-48页 |
| ·UCI ADULT数据集 | 第46-47页 |
| ·工业PX氧化过程数据集 | 第47-48页 |
| ·小结 | 第48-51页 |
| 第三章 SVM增量学习及其在PX吸附分离中的应用 | 第51-67页 |
| ·引言 | 第51-52页 |
| ·支持向量回归 | 第52-53页 |
| ·SVR中的KKT条件 | 第53-54页 |
| ·支持向量数据域描述 | 第54-55页 |
| ·过程描述 | 第55-57页 |
| ·基于SVMIL的软测量建模 | 第57-60页 |
| ·SVM增量学习 | 第57-58页 |
| ·等量替换策略 | 第58页 |
| ·SVMIL算法建模步骤 | 第58-59页 |
| ·仿真结果 | 第59-60页 |
| ·基于ISVM的软测量建模 | 第60-65页 |
| ·增量SVM | 第60-61页 |
| ·启发式样本替换策略 | 第61-62页 |
| ·ISVM算法建模步骤 | 第62-63页 |
| ·数值仿真 | 第63-65页 |
| ·两种算法的比较分析 | 第65页 |
| ·小结 | 第65-67页 |
| 第四章 模糊SVM及其在工业PX氧化中的应用 | 第67-85页 |
| ·引言 | 第67-68页 |
| ·PX氧化过程描述 | 第68-69页 |
| ·模糊支持向量回归FSVR | 第69-71页 |
| ·支持向量回归 | 第69-70页 |
| ·SVR对孤立点的过拟合 | 第70页 |
| ·模糊支持向量回归 | 第70-71页 |
| ·模糊最小二乘支持向量机FLS-SVM | 第71-73页 |
| ·最小二乘SVM函数估计 | 第72-73页 |
| ·模糊最小二乘SVM函数估计 | 第73页 |
| ·模糊隶属度的确定 | 第73-77页 |
| ·现有模型及其特点 | 第73-74页 |
| ·基于KNN的模糊隶属度 | 第74-76页 |
| ·基于SVDD的模糊隶属度模型 | 第76-77页 |
| ·仿真结果及讨论 | 第77-82页 |
| ·小结 | 第82-85页 |
| 第五章 支持向量机规则提取 | 第85-97页 |
| ·引言 | 第85-86页 |
| ·超矩形规则提取算法HRE | 第86-92页 |
| ·支持向量聚类算法SVC | 第86-88页 |
| ·超矩形规则的支持度和置信度 | 第88-89页 |
| ·超矩形规则 | 第89-90页 |
| ·超矩形规则的构建 | 第90-91页 |
| ·HRE中参数影响 | 第91-92页 |
| ·仿真结果和讨论 | 第92-95页 |
| ·小结 | 第95-97页 |
| 第六章 基于SVM的关联规则挖掘及其在PX吸附分离过程中的应用 | 第97-111页 |
| ·引言 | 第97-98页 |
| ·工业PX吸附分离过程描述 | 第98-102页 |
| ·PX生产工艺 | 第99页 |
| ·SMB吸附分离原理 | 第99-100页 |
| ·IFP／ELUXYL PX生产工艺 | 第100-102页 |
| ·超矩形关联规则挖掘算法HARM | 第102-105页 |
| ·关联规则挖掘 | 第102-103页 |
| ·规则的合并 | 第103-104页 |
| ·规则的简化 | 第104-105页 |
| ·HARM规则挖掘算法步骤 | 第105页 |
| ·仿真结果和讨论 | 第105-108页 |
| ·小结 | 第108-111页 |
| 第七章 过程工业数据挖掘系统模型及其实现 | 第111-129页 |
| ·引言 | 第111-112页 |
| ·数据挖掘过程模型 | 第112-116页 |
| ·通用数据挖掘模型 | 第112-113页 |
| ·CRISP-DM数据挖掘模型 | 第113-114页 |
| ·SEMMA数据挖掘模型 | 第114-115页 |
| ·其他数据挖掘处理模型 | 第115-116页 |
| ·过程工业数据挖掘5P模型 | 第116-119页 |
| ·ESP-PIDMS数据挖掘软件 | 第119-127页 |
| ·常用数据挖掘软件 | 第119-120页 |
| ·常用的数据挖掘模式及其技术 | 第120-122页 |
| ·ESP-PIDMS特征 | 第122-123页 |
| ·ESP-PIDMS系统构架 | 第123-124页 |
| ·ESP-PIDMS挖掘模式及算法 | 第124-125页 |
| ·ESP-PIDMS运行界面及其应用 | 第125-127页 |
| ·小结 | 第127-129页 |
| 第八章 结论与展望 | 第129-131页 |
| ·论文内容总结 | 第129-130页 |
| ·展望 | 第130-131页 |
| 附录一：SVM中二次规划的KKT条件 | 第131-133页 |
| 附录二：世界PX生产、消费情况以及需求预测 | 第133-135页 |
| 附录三：常用的数据挖掘软件以及算法 | 第135-137页 |
| 附录四：ESP-PIDMS、SAS／EM、IBM／IM、CLEMENTINE中算法比较 | 第137-139页 |
| 附录五：ESP-PIDMS中主要数据结构 | 第139-143页 |
| 附录六：ESP-PIDMS过程应用建模实例 | 第143-149页 |
| 作者在攻读博士学位期间发表论文 | 第149-151页 |
| 致谢 | 第151页 |