基于神经网络的酚醛树脂纯度软测量方法研究
| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第12-22页 |
| 1.1 选题背景与研究意义 | 第12-15页 |
| 1.2 国内外研究现状 | 第15-19页 |
| 1.2.1 软测量技术发展概述 | 第15-17页 |
| 1.2.2 人工神经网络技术概述 | 第17-19页 |
| 1.3 主要研究任务 | 第19-20页 |
| 1.4 本章小结 | 第20-22页 |
| 第二章 酚醛树脂的生产工艺简介及数据采集 | 第22-30页 |
| 2.1 酚醛树脂生产工艺原理 | 第22-25页 |
| 2.2 酚醛树脂纯度的影响因素分析 | 第25-28页 |
| 2.3 样本数据采集 | 第28-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第三章 数据预处理及辅助变量的确定 | 第30-44页 |
| 3.1 数据预处理 | 第30-31页 |
| 3.1.1 误差处理 | 第30-31页 |
| 3.1.2 数据归一化 | 第31页 |
| 3.2 辅助变量的确定 | 第31-42页 |
| 3.2.1 主成分分析方法简介 | 第32-33页 |
| 3.2.2 主成分分析步骤 | 第33-35页 |
| 3.2.3 酚醛树脂纯度的主成分分析 | 第35-42页 |
| 3.3 本章小结 | 第42-44页 |
| 第四章 神经网络酚醛树脂纯度软测量模型的建立 | 第44-56页 |
| 4.1 BP神经网络介绍及算法描述 | 第44-49页 |
| 4.1.1 神经网络学习方法 | 第44-45页 |
| 4.1.2 BP神经网络的训练过程 | 第45-46页 |
| 4.1.3 BP神经网络算法公式推导 | 第46-49页 |
| 4.2 酚醛树脂纯度软测量建模路线 | 第49-50页 |
| 4.3 酚醛树脂纯度软测量建模软件分析 | 第50-52页 |
| 4.4 酚醛树脂纯度软测量模型结构设计 | 第52页 |
| 4.5 BP神经网络程序的实现 | 第52-55页 |
| 4.5.1 网络的构建和训练 | 第53-54页 |
| 4.5.2 BP神经网络的仿真和预测 | 第54-55页 |
| 4.6 本章小结 | 第55-56页 |
| 第五章 预测结果分析及神经网络算法的优化 | 第56-70页 |
| 5.1 全元法与要元法模型预测结果的分析与对比 | 第56-62页 |
| 5.1.1 全元法与要元法预测结果分析 | 第56-62页 |
| 5.1.2 预测结果的对比 | 第62页 |
| 5.2 基于标准差分进化算法的预测模型优化 | 第62-66页 |
| 5.2.1 标准差分进化算法描述 | 第62-64页 |
| 5.2.2 DE算法参数设置及特点分析 | 第64-65页 |
| 5.2.3 基于差分进化优化的BP网络预测模型 | 第65-66页 |
| 5.3 酚醛树脂纯度软测量模型优化效果分析 | 第66-67页 |
| 5.4 软测量模型的校正 | 第67-69页 |
| 5.5 本章小结 | 第69-70页 |
| 第六章 总结与展望 | 第70-72页 |
| 6.1 总结 | 第70-71页 |
| 6.2 展望 | 第71-72页 |
| 参考文献 | 第72-76页 |
| 致谢 | 第76-78页 |
| 研究成果及发表的论文 | 第78-80页 |
| 作者及导师简介 | 第80-81页 |
| 附件 | 第81-82页 |
