考虑设备性能退变的热虹吸式再沸器软测量研究
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 变量说明 | 第8-12页 |
| 第一章 绪论 | 第12-28页 |
| 1.1 前言 | 第12页 |
| 1.2 热虹吸式再沸器 | 第12-14页 |
| 1.3 软测量技术 | 第14-27页 |
| 1.3.1 主元分析 | 第16-19页 |
| 1.3.2 偏最小二乘 | 第19-20页 |
| 1.3.3 支持向量机 | 第20-22页 |
| 1.3.4 人工神经网络 | 第22-27页 |
| 1.4 全文内容安排 | 第27-28页 |
| 第二章 最小二乘支持向量机软测量模型 | 第28-46页 |
| 2.1 前言 | 第28页 |
| 2.2 对再沸器机理模型的研究 | 第28-31页 |
| 2.3 不同因素对支持向量机模型拟合精度的影响 | 第31-43页 |
| 2.3.1 实验一：训练样本是否包含检测样本 | 第31-33页 |
| 2.3.2 实验二：输入变量的影响 | 第33-35页 |
| 2.3.3 实验三：输出变量的影响 | 第35-37页 |
| 2.3.4 实验四：训练样本容量的影响 | 第37-39页 |
| 2.3.5 实验五：时间间隔的影响 | 第39-41页 |
| 2.3.6 实验六：事件前后的影响 | 第41-43页 |
| 2.4 实验结果讨论 | 第43-46页 |
| 第三章 利用神经网络建立软测量模型 | 第46-62页 |
| 3.1 前言 | 第46-47页 |
| 3.2 神经网络算法权重迭代流程图 | 第47页 |
| 3.3 设计实验考察神经网络模型的拟合规律 | 第47-60页 |
| 3.3.1 实验一：训练样本是否包含检测样本 | 第48-49页 |
| 3.3.2 实验二：输入变量的影响 | 第49-52页 |
| 3.3.3 实验三：输出变量的影响 | 第52-54页 |
| 3.3.4 实验四：训练样本容量的影响 | 第54-56页 |
| 3.3.5 实验五：时间间隔的影响 | 第56-58页 |
| 3.3.6 实验六：事件前后的影响 | 第58-60页 |
| 3.4 实验结果讨论 | 第60-62页 |
| 第四章 结合移动窗方法的神经网络模型 | 第62-75页 |
| 4.1 前言 | 第62页 |
| 4.2 移动窗神经网络原理 | 第62-65页 |
| 4.2.1 多种移动窗神经网络 | 第63-64页 |
| 4.2.2 移动窗神经网络算法建模步骤 | 第64-65页 |
| 4.3 移动窗模型设计实验 | 第65-74页 |
| 4.3.1 实验一：窗口长度和取样区间的影响 | 第65-66页 |
| 4.3.2 实验二：窗口长度的影响 | 第66-70页 |
| 4.3.3 实验三：数据块长度的影响 | 第70-74页 |
| 4.4 实验结果讨论 | 第74-75页 |
| 第五章 结论与展望 | 第75-77页 |
| 5.1 结论 | 第75页 |
| 5.2 创新点 | 第75-76页 |
| 5.3 展望 | 第76-77页 |
| 参考文献 | 第77-80页 |
| 作者简历及论文发表情况 | 第80-81页 |
| 致谢 | 第81页 |
