| 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 |