| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-20页 |
| 1.1 研究背景与课题意义 | 第8页 |
| 1.2 本课题简介及所涉基本方法 | 第8-11页 |
| 1.2.1 主元分析 | 第9-11页 |
| 1.2.2 偏最小二乘回归 | 第11页 |
| 1.3 本课题研究动态 | 第11-13页 |
| 1.4 本文研究内容国内外现状 | 第13-18页 |
| 1.4.1 关于过程建模技术的研究 | 第13-14页 |
| 1.4.2 关于过程非线性的研究 | 第14-17页 |
| 1.4.3 关于过程动态的研究 | 第17-18页 |
| 1.5 本文主要研究内容 | 第18-20页 |
| 第二章 二维交叉验证法确定最优主元个数 | 第20-36页 |
| 2.1 引言 | 第20页 |
| 2.2 KPCA基本算法简介 | 第20-22页 |
| 2.3 估计PCA的最优主元个数 | 第22-25页 |
| 2.3.1 分割变量集合x (第一维度) | 第22页 |
| 2.3.2 分割样本集合X (第二维度) | 第22-23页 |
| 2.3.3 二维交叉验证方法 | 第23-24页 |
| 2.3.4 仿真实例 | 第24-25页 |
| 2.4 估计KPCA的最优主元个数 | 第25-29页 |
| 2.4.1 KPCA中确定最优主元个数的目标函数 | 第25-27页 |
| 2.4.2 最优估计KPCA主元个数算法 | 第27-28页 |
| 2.4.3 仿真实例 | 第28-29页 |
| 2.5 工业应用 | 第29-33页 |
| 2.5.1 玻璃融化过程 | 第30-31页 |
| 2.5.2 去丁烷塔蒸馏过程 | 第31-32页 |
| 2.5.3 旋转磁盘反应器 | 第32-33页 |
| 2.6 本章小结 | 第33页 |
| 2.7 附录 | 第33-36页 |
| 第三章 基于最优KPCA模型挖掘非线性数据结构 | 第36-46页 |
| 3.1 挖掘非线性数据结构算法 | 第36-38页 |
| 3.2 仿真实例 | 第38-41页 |
| 3.3 工业应用 | 第41-45页 |
| 3.3.1 玻璃融化过程 | 第41-43页 |
| 3.3.2 去丁烷塔蒸馏过程 | 第43-45页 |
| 3.4 本章小结 | 第45-46页 |
| 第四章 KPCA和KPLS模型最优参数估计 | 第46-62页 |
| 4.1 引言 | 第46-47页 |
| 4.1.1 估计KPCA算法中的n和σ 的现有方法 | 第46-47页 |
| 4.1.2 估计KPLS算法中的n和σ 的现有方法 | 第47页 |
| 4.1.3 其他通用方法估计核参数 | 第47页 |
| 4.2 KPLS算法简介 | 第47-49页 |
| 4.3 确定n和σ 的交叉验证算法 | 第49-51页 |
| 4.3.1 KPCA模型中的目标函数和算法 | 第49-50页 |
| 4.3.2 KPLS模型中的目标函数和算法 | 第50-51页 |
| 4.4 仿真实例 | 第51-56页 |
| 4.4.1 KPCA模型精度比较 | 第52-53页 |
| 4.4.2 KPLS模型精度比较 | 第53-56页 |
| 4.5 工业应用 | 第56-61页 |
| 4.5.1 玻璃融化过程 | 第56-58页 |
| 4.5.2 去丁烷塔蒸馏过程 | 第58-61页 |
| 4.6 本章小结 | 第61-62页 |
| 第五章 主要结论与展望 | 第62-64页 |
| 主要结论 | 第62-63页 |
| 展望 | 第63-64页 |
| 致谢 | 第64-66页 |
| 参考文献 | 第66-74页 |
| 附录: 作者在攻读硕士学位期间发表的论文 | 第74页 |