| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第13-25页 |
| 1.1 论文的背景和意义 | 第13-14页 |
| 1.2 研究现状和发展水平 | 第14-17页 |
| 1.2.1 常减压蒸馏装置建模技术 | 第14-15页 |
| 1.2.2 软测量技术及其在石油化工中的应用 | 第15-17页 |
| 1.3 软测量建模方法概述 | 第17-23页 |
| 1.3.1 机理方法 | 第18页 |
| 1.3.2 经验方法 | 第18-19页 |
| 1.3.3 人工神经网络建模方法 | 第19-22页 |
| 1.3.4 基于统计学习理论的方法 | 第22-23页 |
| 1.4 全文的主要内容和结构 | 第23-25页 |
| 第二章 柴油95点软测量建模实现 | 第25-35页 |
| 2.1 常压塔生产流程 | 第25-26页 |
| 2.2 辅助变量的选择 | 第26-28页 |
| 2.3 数据采集和预处理 | 第28-30页 |
| 2.3.1 异常数据的处理 | 第28-29页 |
| 2.3.2 数据变换 | 第29-30页 |
| 2.4 基于回归分析的建模方法 | 第30-33页 |
| 2.4.1 多元线性回归和逐步回归 | 第30-31页 |
| 2.4.2 主元分析和主元回归 | 第31-32页 |
| 2.4.3 部分最小二乘法 | 第32-33页 |
| 2.5 本章小结 | 第33-35页 |
| 第三章 基于RBF神经网络的柴油95点软测量模型 | 第35-47页 |
| 3.1 RBF神经网络原理 | 第35-36页 |
| 3.1.1 RBF神经网络简介 | 第35页 |
| 3.1.2 RBF神经网络结构 | 第35-36页 |
| 3.2 RBF神经网络的学习方法 | 第36-39页 |
| 3.2.1 随机选取固定中心 | 第37页 |
| 3.2.2 自组织选取中心 | 第37-39页 |
| 3.2.3 输出权值矩阵的计算 | 第39页 |
| 3.3 RBF神经网络训练方法的改进 | 第39-46页 |
| 3.3.1 基于K均值算法的RBF软测量模型 | 第39-41页 |
| 3.3.2 基于减聚类算法训练的RBF软测量模型 | 第41-44页 |
| 3.3.3 改进训练算法后的RBF软测量模型 | 第44-46页 |
| 3.4 三种模型对照 | 第46-47页 |
| 第四章 基于支持向量机技术建立的软测量模型 | 第47-61页 |
| 4.1 支持向量机概述 | 第47-48页 |
| 4.2 核函数的选择和参数的确立 | 第48-52页 |
| 4.2.1 核函数的类型与核函数选择 | 第48-50页 |
| 4.2.2 支持向量机参数及其选取方法 | 第50-52页 |
| 4.3 基本遗传算法优化的SVM柴油95点软测量模型 | 第52-55页 |
| 4.4 基于改进遗传算法优化的SVM柴油95点软测量模型 | 第55-58页 |
| 4.4.1 遗传算法的改进 | 第55页 |
| 4.4.2 基于改进GA算法的SVM参数优化 | 第55-58页 |
| 4.5 不同优化算法下SVM模型预测结果对照 | 第58-61页 |
| 第五章 结论与展望 | 第61-63页 |
| 5.1 论文总结 | 第61-62页 |
| 5.2 不足与展望 | 第62-63页 |
| 参考文献 | 第63-67页 |
| 致谢 | 第67-69页 |
| 作者和导师简介 | 第69-71页 |
| 附件 | 第71-72页 |