| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 第一章 绪论 | 第7-13页 |
| ·课题背景及意义 | 第7页 |
| ·软测量技术概述 | 第7-10页 |
| ·数据采集 | 第8页 |
| ·辅助变量的选择 | 第8页 |
| ·建模数据预处理 | 第8-9页 |
| ·软测量模型校正技术 | 第9-10页 |
| ·机器学习理论 | 第10-11页 |
| ·机器学习实现方法 | 第10页 |
| ·机器学习基本模型的描述 | 第10-11页 |
| ·软测量技术的研究现状 | 第11-12页 |
| ·论文的主要内容和结构 | 第12-13页 |
| 第二章 基于机器学习的软测量建模方法概述 | 第13-19页 |
| ·引言 | 第13页 |
| ·部分最小二乘（PLS） | 第13-14页 |
| ·支持向量机（SVM） | 第14-15页 |
| ·高斯过程（GP） | 第15-16页 |
| ·本章小结 | 第16-19页 |
| 第三章 改进的Adaboost.RT 模糊支持向量回归机集成算法 | 第19-27页 |
| ·引言 | 第19页 |
| ·模糊支持向量回归机原理 | 第19-21页 |
| ·标准支持向量回归机 | 第20页 |
| ·模糊支持向量回归机 | 第20-21页 |
| ·Adaboost.RT 算法概述 | 第21-22页 |
| ·Adaboost 算法 | 第21页 |
| ·Adaboost.RT 算法 | 第21-22页 |
| ·改进的Adaboost.RT 的模糊支持向量机集成算法 | 第22-23页 |
| ·仿真实验 | 第23-25页 |
| ·一维函数仿真 | 第24-25页 |
| ·工业应用实例 | 第25页 |
| ·本章小结 | 第25-27页 |
| 第四章 基于局部KPLS 特征提取的LSSVM 软测量建模 | 第27-35页 |
| ·引言 | 第27页 |
| ·局部样本KPLS 特征提取 | 第27-29页 |
| ·核偏最小二乘(KPLS)特征提取 | 第27-28页 |
| ·局部相似样本集的选取 | 第28-29页 |
| ·最小二乘支持向量机算法 | 第29-30页 |
| ·基于局部特征提取的LSSVM 算法 | 第30页 |
| ·工业仿真实例 | 第30-34页 |
| ·数据来源 | 第30-31页 |
| ·模型最佳参数的选择及评价指标 | 第31-33页 |
| ·软测量模型结果对比 | 第33-34页 |
| ·本章小结 | 第34-35页 |
| 第五章 基于仿射传播聚类和高斯过程的多模型建模方法 | 第35-43页 |
| ·引言 | 第35页 |
| ·基于改进的相似度的仿射传播聚类算法 | 第35-38页 |
| ·仿射传播聚类算法 | 第35-36页 |
| ·改进的相似度的定义 | 第36-37页 |
| ·算法的实施步骤和流程图 | 第37-38页 |
| ·基于高斯过程的子模型建模 | 第38-39页 |
| ·多模型的连接方式 | 第39-40页 |
| ·工业实例研究 | 第40-41页 |
| ·本章小结 | 第41-43页 |
| 第六章 总结与展望 | 第43-45页 |
| ·本文工作总结 | 第43页 |
| ·今后工作展望 | 第43-45页 |
| 致谢 | 第45-47页 |
| 参考文献 | 第47-51页 |
| 附录：作者在攻读硕士学位期间发表的论文 | 第51页 |
