软测量技术在稀土萃取中的应用研究
| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 1 绪论 | 第9-22页 |
| ·课题研究的背景和意义 | 第9-11页 |
| ·软测量技术介绍 | 第11-18页 |
| ·软测量概述 | 第11-12页 |
| ·软测量建模方法 | 第12-15页 |
| ·影响软测量性能因素 | 第15-16页 |
| ·软测量设计步骤 | 第16-18页 |
| ·稀土分离工业介绍 | 第18-20页 |
| ·稀土分离技术发展 | 第18-19页 |
| ·稀土分离过程组分含量测量 | 第19-20页 |
| ·论文主要工作与结构安排 | 第20-22页 |
| ·论文主要工作 | 第20-21页 |
| ·论文结构安排 | 第21-22页 |
| 2 建模方法在软测量技术中应用 | 第22-37页 |
| ·径向基网络 | 第22-28页 |
| ·RBF神经网络模型分析 | 第22-25页 |
| ·RBF神经网络学习算法 | 第25-28页 |
| ·支持向量机 | 第28-35页 |
| ·支持向量机基本思想 | 第28-30页 |
| ·支持向量机核函数 | 第30-31页 |
| ·支持向量回归机 | 第31-33页 |
| ·最小二乘支持向量机 | 第33-35页 |
| ·仿真实例与结果分析 | 第35页 |
| ·小结 | 第35-37页 |
| 3 优化算法在LSSVM中的应用 | 第37-58页 |
| ·遗传算法 | 第37-43页 |
| ·遗传算法原理 | 第37-40页 |
| ·遗传算法优化LSSVM算法设计 | 第40-42页 |
| ·仿真实例 | 第42-43页 |
| ·粒子群优化算法 | 第43-51页 |
| ·粒子群优化算法原理 | 第43-46页 |
| ·量子粒子群算法原理 | 第46-47页 |
| ·粒子群与量子粒子群优化LSSVM算法设计 | 第47-49页 |
| ·仿真实例 | 第49-51页 |
| ·蚁群算法 | 第51-56页 |
| ·蚁群算法基本原理 | 第51-52页 |
| ·蚁群算法优化LSSVM算法设计 | 第52-56页 |
| ·仿真实例 | 第56页 |
| ·小结 | 第56-58页 |
| 4 稀土分离过程组分含量软测量建模 | 第58-70页 |
| ·稀土分离过程概述 | 第58-59页 |
| ·分离过程组分含量模型建立 | 第59-62页 |
| ·辅助变量选择 | 第60页 |
| ·样本数据采集与预处理 | 第60-62页 |
| ·模型建立 | 第62页 |
| ·实现组分含量软测量模型的仿真研究 | 第62-68页 |
| ·软测量技术评价设计 | 第62-63页 |
| ·建立元素组分含量的软测量模型 | 第63-68页 |
| ·组分含量软测量测试结果与误差分析 | 第68页 |
| ·小结 | 第68-70页 |
| 结论 | 第70-72页 |
| 致谢 | 第72-73页 |
| 参考文献 | 第73-76页 |
| 附录A 原始样本数据 | 第76-81页 |
| 攻读学位期间的研究成果 | 第81页 |
