| 摘要 | 第1-3页 |
| Abstract | 第3-7页 |
| 1. 前言 | 第7-10页 |
| ·课题研究的目的和意义 | 第7-8页 |
| ·主要研究内容 | 第8-9页 |
| ·论文结构 | 第9-10页 |
| 2. 人工神经网络概述 | 第10-22页 |
| ·人工神经网络的类型和特点 | 第10页 |
| ·神经网络的学习训练法则 | 第10-11页 |
| ·人工神经网络的实现 | 第11-12页 |
| ·全硬件实现 | 第11页 |
| ·软件实现 | 第11-12页 |
| ·BP网络及BP算法 | 第12-22页 |
| ·人工神经网络用于过程系统建模的理论依据 | 第12-13页 |
| ·梯度下降法 | 第13-14页 |
| ·BP神经网络算法 | 第14-19页 |
| ·BP网络的应用 | 第19-22页 |
| 3. 主成分分析概述 | 第22-28页 |
| ·主成分分析法的基本思想 | 第22页 |
| ·主成分分析方法的数学模型 | 第22-24页 |
| ·主成分数目的选取 | 第24-25页 |
| ·主成分分析方法的计算步骤 | 第25页 |
| ·主成分分析方法结合神经网络在建模中的应用 | 第25页 |
| ·主成分分析方法的缺陷 | 第25-26页 |
| ·非线性主成分分析的基本原理 | 第26-27页 |
| ·非线性主成分分析的计算步骤 | 第27-28页 |
| 4. 基于非线性主成分分析的神经网络合成氨氢氮比预测模型 | 第28-41页 |
| ·合成氨生产工艺特点 | 第28页 |
| ·非线性主成分分析 | 第28-31页 |
| ·神经网络的结构及参数确定 | 第31-39页 |
| ·神经网络类型的选择及数据选取 | 第31页 |
| ·网络结构及参数设置 | 第31-32页 |
| ·网络训练函数的选择 | 第32-35页 |
| ·网络学习速率的选择 | 第35-36页 |
| ·隐含层神经元数个数的选择 | 第36-38页 |
| ·训练迭代次数的选择 | 第38-39页 |
| ·氢氮比预测模型 | 第39-41页 |
| 5. 基于非线性主成分分析的神经网络磷铵产品水分预测模型 | 第41-56页 |
| ·磷铵生产工艺流程及特点 | 第41页 |
| ·非线性主成分分析 | 第41-46页 |
| ·神经网络的结构及参数确定 | 第46-53页 |
| ·神经网络类型的选择及数据选取 | 第46页 |
| ·网络结构及参数设置 | 第46-47页 |
| ·网络训练函数的选择 | 第47-50页 |
| ·网络学习速率的选择 | 第50-51页 |
| ·隐含层神经元数个数的选择 | 第51-52页 |
| ·训练迭代次数的选择 | 第52-53页 |
| ·磷铵产品水分预测模型 | 第53-56页 |
| 6. 结论 | 第56-57页 |
| 参考文献 | 第57-60页 |
| 研究生在读期间发表论文目录 | 第60-61页 |
| 致谢 | 第61-62页 |