深度学习算法在软测量建模中的应用研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第7-13页 |
| 1.1 引言 | 第7页 |
| 1.2 软测量技术介绍 | 第7-9页 |
| 1.3 国内外研究成果 | 第9-11页 |
| 1.4 论文主要内容和结构安排 | 第11-13页 |
| 第二章 回归深度置信网络 | 第13-23页 |
| 2.1 深度置信网络 | 第13-15页 |
| 2.2 连续的受限玻尔兹曼机 | 第15-17页 |
| 2.3 基于深度置信网络的建模 | 第17-22页 |
| 2.3.1 模型的结构 | 第17-18页 |
| 2.3.2 人工数据仿真实验分析 | 第18-22页 |
| 2.4 本章小结 | 第22-23页 |
| 第三章 基于深度置信网络的 4-CBA软测量建模 | 第23-33页 |
| 3.1PTA工艺流程介绍 | 第23-24页 |
| 3.2 基于DBN-BP的软测量建模 | 第24-27页 |
| 3.3 多种软测量模型比较 | 第27-32页 |
| 3.3.1 用于比较的软测量模型 | 第27页 |
| 3.3.2 仿真实验结果比较 | 第27-32页 |
| 3.4 本章小结 | 第32-33页 |
| 第四章 深度置信网络的参数优化 | 第33-43页 |
| 4.1 隐含层节点数优化 | 第33-37页 |
| 4.1.1 隐含层节点数对模型性能的影响 | 第34-36页 |
| 4.1.2 经验法参数优化 | 第36-37页 |
| 4.2 迭代次数优化 | 第37-42页 |
| 4.2.1 迭代次数对模型性能的影响 | 第37-40页 |
| 4.2.2 重构误差法参数优化 | 第40-42页 |
| 4.3 本章小结 | 第42-43页 |
| 第五章 多隐含层深度置信网络 | 第43-53页 |
| 5.1 网络模型概述 | 第43-45页 |
| 5.1.1 人工神经网络 | 第43-44页 |
| 5.1.2 深度学习 | 第44-45页 |
| 5.2 多隐含层深度置信网络建模 | 第45-52页 |
| 5.2.1 人工数据仿真建模分析 | 第45-48页 |
| 5.2.2 工业4-CBA数据仿真建模分析 | 第48-52页 |
| 5.3 本章小结 | 第52-53页 |
| 第六章 总结与展望 | 第53-55页 |
| 6.1 总结 | 第53-54页 |
| 6.2 展望 | 第54-55页 |
| 参考文献 | 第55-58页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第58-59页 |
| 致谢 | 第59页 |
