| 摘要 | 第1-4页 |
| Abstract | 第4-6页 |
| 目录 | 第6-8页 |
| 第一章 绪论 | 第8-16页 |
| ·研究背景 | 第8-9页 |
| ·发酵过程软测量研究概况 | 第9-13页 |
| ·基于模型驱动的软测量建模 | 第10-11页 |
| ·基于数据驱动的软测量建模 | 第11-13页 |
| ·极限学习机研究概括 | 第13-14页 |
| ·论文结构 | 第14-16页 |
| 第二章 极限学习机理论 | 第16-23页 |
| ·引言 | 第16页 |
| ·单隐层前馈神经网络 | 第16-18页 |
| ·单隐层前馈神经网络的统一模型 | 第16-17页 |
| ·基于梯度的单隐层前馈神经网络的学习算法 | 第17-18页 |
| ·极限学习机算法 | 第18-19页 |
| ·极限学习机与支持向量机的比较 | 第19-22页 |
| ·本章小结 | 第22-23页 |
| 第三章 基于标准极限学习机的发酵过程软测量研究 | 第23-34页 |
| ·引言 | 第23页 |
| ·青霉素发酵过程 | 第23-26页 |
| ·过程概述 | 第23-25页 |
| ·Pensim 仿真软件介绍 | 第25-26页 |
| ·基于标准极限学习机的软测量建模 | 第26-29页 |
| ·数据预处理 | 第26-27页 |
| ·辅助变量选择 | 第27-28页 |
| ·软测量模型的建立 | 第28-29页 |
| ·仿真实验及结果分析 | 第29-33页 |
| ·基于互信息的辅助变量选择 | 第29-30页 |
| ·基于标准极限学习机的软测量建模 | 第30-32页 |
| ·ELM 软测量模型与 BP、SVM 的比较 | 第32-33页 |
| ·本章小结 | 第33-34页 |
| 第四章 基于批次加权极限学习机的软测量方法研究 | 第34-43页 |
| ·引言 | 第34页 |
| ·问题描述 | 第34-36页 |
| ·批次加权极限学习机 | 第36-38页 |
| ·优化问题转换 | 第36页 |
| ·基于新相似度量化函数的惩罚权值求解 | 第36-38页 |
| ·BW-ELM 算法步骤 | 第38页 |
| ·仿真实验与结果分析 | 第38-42页 |
| ·基于批次加权 ELM 的软测量建模 | 第38-40页 |
| ·基于新相似度量化函数的 BW-ELM 软测量建模 | 第40-42页 |
| ·本章小结 | 第42-43页 |
| 第五章 基于输入不确定贝叶斯极限学习机的软测量方法研究 | 第43-56页 |
| ·引言 | 第43页 |
| ·贝叶斯神经网络理论 | 第43-44页 |
| ·贝叶斯极限学习机 | 第44-49页 |
| ·输出权值的后验分布求解 | 第44-46页 |
| ·超参数的最优估计 | 第46-47页 |
| ·预测分布求解 | 第47-48页 |
| ·BELM 算法步骤 | 第48-49页 |
| ·输入不确定贝叶斯极限学习机 | 第49-51页 |
| ·基于输入不确定的模型参数求解 | 第49-50页 |
| ·基于输入不确定的预测分布求解 | 第50-51页 |
| ·实验及结果分析 | 第51-55页 |
| ·基于 BELM 的软测量建模 | 第51-53页 |
| ·基于 IU-BELM 的软测量建模 | 第53-55页 |
| ·本章小结 | 第55-56页 |
| 第六章 主要结论与展望 | 第56-58页 |
| ·主要结论 | 第56页 |
| ·展望 | 第56-58页 |
| 致谢 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 附录：作者在攻读硕士学位期间发表的论文 | 第63页 |