| 摘要 | 第1-6页 |
| ABSTRACT | 第6-10页 |
| 第1章 绪论 | 第10-18页 |
| ·引言 | 第10页 |
| ·软测量技术概述 | 第10-16页 |
| ·辅助变量的选择 | 第11-12页 |
| ·数据处理 | 第12页 |
| ·模型建立 | 第12-16页 |
| ·软测量研究现状 | 第16页 |
| ·本文研究内容及安排 | 第16-18页 |
| 第2章 支持向量机算法及其改进算法 | 第18-30页 |
| ·引言 | 第18页 |
| ·机器学习与统计学习理论 | 第18-19页 |
| ·支持向量机的本质 | 第19-21页 |
| ·支持向量机原理 | 第21-27页 |
| ·学习问题的提出 | 第21页 |
| ·经验风险最小化原理 | 第21-22页 |
| ·结构风险最小化原理 | 第22-23页 |
| ·标准支持向量机算法 | 第23-27页 |
| ·标准支持向量机与人工神经网络 | 第27-28页 |
| ·支持向量机改进研究 | 第28-29页 |
| ·本章小结 | 第29-30页 |
| 第3章 煤的气化原理及气化炉炉温软测量 | 第30-45页 |
| ·引言 | 第30页 |
| ·煤的气化生产工艺过程 | 第30-35页 |
| ·煤的气化生产工艺基本原理 | 第30-32页 |
| ·煤的气化生产反应条件 | 第32-33页 |
| ·水煤浆加压气化中影响气化炉炉温的因素 | 第33-34页 |
| ·辅助变量的选择 | 第34-35页 |
| ·数据的采集和处理 | 第35-38页 |
| ·异常值和随机误差的处理 | 第35页 |
| ·数字滤波 | 第35-36页 |
| ·主元分析(PCA) | 第36页 |
| ·归一化处理 | 第36-37页 |
| ·主要工艺参数的情况分析 | 第37-38页 |
| ·基于BP网络的软测量建模 | 第38-44页 |
| ·BP神经网络 | 第38页 |
| ·评价模型性能的参数指标 | 第38-39页 |
| ·不同节点数对建模结果的影响 | 第39-40页 |
| ·不同组训练数据对建模结果的影响 | 第40-42页 |
| ·PCA-BP方法软测量 | 第42-44页 |
| ·本章小结 | 第44-45页 |
| 第4章 基于支持向量机的气化炉炉温软测量 | 第45-59页 |
| ·前言 | 第45页 |
| ·标准支持向量机在软测量中的应用 | 第45-48页 |
| ·最小二乘支持向量机(LS-SVM)在软测量中的应用 | 第48-53页 |
| ·LS-SVM原理 | 第48-49页 |
| ·LS-SVM算法 | 第49页 |
| ·基于LS-SVM的气化炉炉温软测量 | 第49-53页 |
| ·基于主元分析的最小二乘支持向量机建模 | 第53-55页 |
| ·结果讨论 | 第55-58页 |
| ·LS-SVM与BP网络的比较 | 第55-57页 |
| ·LS-SVM与PCALS-SVM比较 | 第57-58页 |
| ·本章小结 | 第58-59页 |
| 第5章 支持向量机的核及核方法 | 第59-66页 |
| ·前言 | 第59页 |
| ·核函数 | 第59-61页 |
| ·核的定义 | 第59-60页 |
| ·核的构造 | 第60页 |
| ·常用核函数的类型 | 第60-61页 |
| ·核函数的研究现状 | 第61页 |
| ·不同核函数下最小二乘支持向量机模型性能对比 | 第61-63页 |
| ·核函数参数选取 | 第63-65页 |
| ·循环寻优法 | 第64页 |
| ·交叉检验法 | 第64-65页 |
| ·Matlab函数法 | 第65页 |
| ·本章小结 | 第65-66页 |
| 第6章 总结与展望 | 第66-68页 |
| ·本课题研究工作总结 | 第66-67页 |
| ·本课题研究内容展望 | 第67-68页 |
| 参考文献 | 第68-73页 |
| 致谢 | 第73页 |