| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 选题背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-15页 |
| 1.2.1 发酵过程建模方法 | 第10-11页 |
| 1.2.2 递归神经网络的性能和应用 | 第11-13页 |
| 1.2.3 网络结构的优化问题 | 第13-15页 |
| 1.3 本文研究工作 | 第15-16页 |
| 1.3.1 研究内容 | 第15页 |
| 1.3.2 内容安排 | 第15-16页 |
| 第2章 相关知识 | 第16-29页 |
| 2.1 Elman神经网络 | 第16-21页 |
| 2.1.1 基本的网络结构 | 第16-17页 |
| 2.1.2 改进的结构 | 第17-19页 |
| 2.1.3 训练算法 | 第19-21页 |
| 2.2 回声状态网络 | 第21-26页 |
| 2.2.1 网络结构 | 第21-23页 |
| 2.2.2 训练算法 | 第23-25页 |
| 2.2.3 储备池参数 | 第25-26页 |
| 2.3 剪枝优化方法 | 第26-28页 |
| 2.3.1 灵敏度剪枝法 | 第26-27页 |
| 2.3.2 惩罚项剪枝法 | 第27-28页 |
| 2.3.3 相关性剪枝法 | 第28页 |
| 2.4 本章小结 | 第28-29页 |
| 第3章 基于灵敏度剪枝优化的Elman网络 | 第29-35页 |
| 3.1 Elman网络节点的灵敏度分析 | 第29-30页 |
| 3.1.1 Skeletonization灵敏度 | 第29页 |
| 3.1.2 Elman网络隐层节点的灵敏度计算 | 第29-30页 |
| 3.2 PLM训练过程 | 第30-33页 |
| 3.3 仿真测试 | 第33-34页 |
| 3.4 本章小结 | 第34-35页 |
| 第4章 基于互信息优化的回声状态网络 | 第35-43页 |
| 4.1 互信息理论 | 第35-37页 |
| 4.2 基于互信息的优化方法 | 第37-40页 |
| 4.2.1 输入伸缩参数调整 | 第37-38页 |
| 4.2.2 输出权值剪枝优化 | 第38-40页 |
| 4.3 剪枝优化部分的仿真测试 | 第40-42页 |
| 4.4 本章小结 | 第42-43页 |
| 第5章 递归神经网络在发酵过程中的应用 | 第43-62页 |
| 5.1 青霉素补料分批发酵过程 | 第43-48页 |
| 5.1.1 青霉素发酵过程仿真平台 | 第43-45页 |
| 5.1.2 两种情形下的过程数据采集 | 第45-47页 |
| 5.1.3 过程数据的处理 | 第47-48页 |
| 5.2 PMI-ENN模型的应用 | 第48-52页 |
| 5.2.1 操作状况不变时PLM-ENN模型的应用 | 第48-49页 |
| 5.2.2 不同操作状况时PLM-ENN模型的建立 | 第49-51页 |
| 5.2.3 模型性能分析 | 第51-52页 |
| 5.3 DMI-ESN模型的应用 | 第52-61页 |
| 5.3.1 操作状况不变时DMI-ESN模型的应用 | 第52-55页 |
| 5.3.2 不同操作状态时DMI-ESN模型的建立 | 第55-60页 |
| 5.3.3 结果分析 | 第60-61页 |
| 5.4 本章小结 | 第61-62页 |
| 第6章 总结和展望 | 第62-64页 |
| 6.1 本文工作总结 | 第62-63页 |
| 6.2 后续工作展望 | 第63-64页 |
| 参考文献 | 第64-70页 |
| 致谢 | 第70-71页 |
| 攻读硕士学位期间发表(录用)的论文 | 第71页 |
