首页--工业技术论文--化学工业论文--一般性问题论文--化工机械与仪器、设备论文--化工通用机械与设备论文--塔式化工设备论文

基于深度学习的填料塔液泛监测研究

摘要第5-6页
ABSTRACT第6-7页
缩略语列表第10-14页
第1章 绪论第14-24页
    1.1 课题研究背景及意义第14-15页
    1.2 填料塔液泛监测研究现状第15-18页
        1.2.1 液泛现象概述第15-16页
        1.2.2 液泛监测研究现状第16-18页
    1.3 深度学习研究现状第18-21页
    1.4 本文研究内容第21-24页
第2章 基于过程变量数据的时序建模方法第24-38页
    2.1 RNN时序建模方法第24-30页
        2.1.1 RNN模型结构第24-25页
        2.1.2 沿时间反向传播优化算法第25-27页
        2.1.3 仿真与讨论第27-30页
    2.2 填料塔液泛监测实验设备第30-34页
        2.2.1 硬件装置第31-33页
        2.2.2 配套软件第33-34页
    2.3 实例研究第34-37页
        2.3.1 实验步骤及数据处理第34-35页
        2.3.2 实验结果及讨论第35-37页
    2.4 本章小结第37-38页
第3章 基于过程变量数据的液泛监测方法第38-60页
    3.1 长短期记忆神经网络第38-44页
        3.1.1 RNN结构的问题第38-41页
        3.1.2 长短期记忆神经网络结构第41-44页
    3.2 网络参数优化算法第44-47页
        3.2.1 随机梯度下降算法第44-46页
        3.2.2 自适应矩估计算法第46-47页
    3.3 基于 3D LSTM NN 的时序建模方法第47-51页
        3.3.1 三维长短期记忆神经网络第47-49页
        3.3.2 仿真与讨论第49-51页
    3.4 实例研究第51-59页
        3.4.1 实验操作模式第51页
        3.4.2 实验结果及讨论第51-59页
    3.5 本章小结第59-60页
第4章 基于视频数据的液泛监测方法第60-74页
    4.1 卷积神经网络第60-65页
        4.1.1 卷积神经网络理论基础第60-62页
        4.1.2 卷积神经网络基本结构第62-64页
        4.1.3 基于卷积神经网络的图像建模方法第64-65页
    4.2 基于卷积长短期记忆单元的时空建模方法第65-69页
        4.2.1 卷积长短期记忆单元结构第65-68页
        4.2.2 基于填料塔视频数据的时空模型第68-69页
    4.3 实例研究第69-73页
        4.3.1 分类任务评价指标第69-70页
        4.3.2 实验结果及讨论第70-73页
    4.4 本章小结第73-74页
第5章 结论与展望第74-76页
    5.1 结论第74页
    5.2 创新点第74-75页
    5.3 展望第75-76页
参考文献第76-80页
致谢第80-82页
攻读学位期间参加的科研项目和成果第82页

论文共82页,点击 下载论文
上一篇:复杂精馏过程用能分析评价与能效优化研究
下一篇:塔用高效紧凑气液旋流分离器的开发与数值研究