| 摘要 | 第3-5页 |
| ABSTRACT | 第5-7页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 选题背景和意义 | 第11-13页 |
| 1.2 催化建模的国内外研究现状 | 第13-16页 |
| 1.2.1 催化建模的方法及技术 | 第13-15页 |
| 1.2.2 国内外研究现状 | 第15-16页 |
| 1.3 本文主要研究内容 | 第16-19页 |
| 第二章 甲烷化催化剂概述 | 第19-25页 |
| 2.1 引言 | 第19页 |
| 2.2 甲烷化催化剂的可控变量 | 第19-21页 |
| 2.2.1 催化剂结构组分 | 第20页 |
| 2.2.2 催化剂制备条件 | 第20-21页 |
| 2.3 甲烷化催化剂的优化目标 | 第21-23页 |
| 2.3.1 活性 | 第21-22页 |
| 2.3.2 抗烧结性 | 第22-23页 |
| 2.3.3 抗积碳性 | 第23页 |
| 2.4 本章小结 | 第23-25页 |
| 第三章 基于数据挖掘的甲烷化催化剂的组分模型 | 第25-43页 |
| 3.1 引言 | 第25-26页 |
| 3.2 数据采集 | 第26-29页 |
| 3.2.1 输入数据的采集 | 第26-27页 |
| 3.2.2 输出数据的采集 | 第27-29页 |
| 3.3 基于主成分分析的数据降维 | 第29-33页 |
| 3.3.1 降维 | 第29页 |
| 3.3.2 主成分分析法 | 第29-31页 |
| 3.3.3 实验及分析 | 第31-33页 |
| 3.4 基于K-Means的元素聚类 | 第33-35页 |
| 3.4.1 聚类 | 第33页 |
| 3.4.2 K-Means算法 | 第33-34页 |
| 3.4.3 实验及分析 | 第34-35页 |
| 3.5 基于RBF神经网络的构效关系建模 | 第35-40页 |
| 3.5.1 神经网络的选择 | 第35-36页 |
| 3.5.2 RBF神经网络的结构 | 第36页 |
| 3.5.3 RBF神经网络的逼近 | 第36-38页 |
| 3.5.4 实验及分析 | 第38-40页 |
| 3.6 本章小结 | 第40-43页 |
| 第四章 基于高斯过程回归的催化剂的组分模型和失活模型 | 第43-66页 |
| 4.1 引言 | 第43-44页 |
| 4.2 高斯过程回归理论 | 第44-48页 |
| 4.2.1 权值空间论 | 第44-46页 |
| 4.2.2 函数空间法 | 第46-48页 |
| 4.3 高斯过程回归的核函数 | 第48-51页 |
| 4.3.1 均值函数与协方差函数 | 第48-49页 |
| 4.3.2 核函数类型 | 第49-51页 |
| 4.4 期望增量引入高斯过程回归 | 第51-56页 |
| 4.4.1 期望增量 | 第51-54页 |
| 4.4.2 期望增量用于高斯过程回归 | 第54-56页 |
| 4.5 高斯过程回归构建甲烷化催化剂模型 | 第56-65页 |
| 4.5.1 组分模型的构建 | 第56-59页 |
| 4.5.2 失活模型的构建 | 第59-62页 |
| 4.5.3 物化性质对催化性能影响的计算 | 第62-65页 |
| 4.6 本章小结 | 第65-66页 |
| 第五章 总结与展望 | 第66-68页 |
| 5.1 全文工作总结 | 第66-67页 |
| 5.2 进一步工作展望 | 第67-68页 |
| 参考文献 | 第68-74页 |
| 致谢 | 第74-76页 |
| 攻读硕士学位期间发表的学术论文 | 第76页 |