基于粒子群算法的氧乐果合成过程建模研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 1 绪论 | 第10-12页 |
| 1.1 概述 | 第10页 |
| 1.2 课题研究的背景和意义 | 第10-11页 |
| 1.3 本文的主要工作 | 第11-12页 |
| 2 统计学习理论和支持向量机 | 第12-22页 |
| 2.1 机器学习 | 第12-16页 |
| 2.1.1 机器学习模型 | 第12-13页 |
| 2.1.2 经验风险最小化 | 第13-14页 |
| 2.1.3 VC维和推广性的界 | 第14-15页 |
| 2.1.4 结构风险最小化 | 第15-16页 |
| 2.2 支持向量机 | 第16-18页 |
| 2.2.1 最优超平面 | 第16-17页 |
| 2.2.2 核函数 | 第17-18页 |
| 2.2.3 选择核函数 | 第18页 |
| 2.3 支持向量回归机 | 第18-21页 |
| 2.3.1 线性支持向量回归机 | 第19-20页 |
| 2.3.2 非线性支持向量回归 | 第20-21页 |
| 2.4 本章小结 | 第21-22页 |
| 3 粒子群优化算法分析与改进 | 第22-35页 |
| 3.1 粒子群优化算法 | 第22-23页 |
| 3.2 粒子群算法参数选择策略 | 第23-25页 |
| 3.2.1 惯性权重 | 第23-24页 |
| 3.2.2 认知系数和社会系数 | 第24-25页 |
| 3.2.3 最大速度vmax | 第25页 |
| 3.2.4 群体规模n和最大迭代次数Tmax | 第25页 |
| 3.3 粒子群算法分析 | 第25-28页 |
| 3.3.1 粒子群算法的实现 | 第25-27页 |
| 3.3.2 粒子群算法的常用模式 | 第27页 |
| 3.3.3 PSO和GA比较 | 第27-28页 |
| 3.4 粒子群算法的改进 | 第28-31页 |
| 3.4.1 改进思路 | 第28-29页 |
| 3.4.2 改进算法的原理 | 第29-30页 |
| 3.4.3 算法流程 | 第30-31页 |
| 3.5 算法仿真 | 第31-34页 |
| 3.5.1 优化算法的测试 | 第31-32页 |
| 3.5.2 实验方法 | 第32页 |
| 3.5.3 实验结果和分析 | 第32-34页 |
| 3.6 本章小结 | 第34-35页 |
| 4 基于PSO-SVR的氧乐果合成过程辨识 | 第35-59页 |
| 4.1 氧乐果合成过程生产工艺特性分析 | 第35-37页 |
| 4.1.1 氧乐果合成过程生产工艺分析 | 第35-36页 |
| 4.1.2 氧乐果合成分析 | 第36-37页 |
| 4.2 氧乐果合成建模的主要影响因素分析 | 第37-41页 |
| 4.2.1 系统可测参数的影响 | 第37-39页 |
| 4.2.2 系统不可测参数的影响 | 第39-41页 |
| 4.3 BP神经网络辨识温度对象 | 第41-53页 |
| 4.3.1 辨识算法的基本原理 | 第41-42页 |
| 4.3.2 系统辨识方法 | 第42-43页 |
| 4.3.3 基于神经网络的系统辨识 | 第43-44页 |
| 4.3.4 BP神经网络 | 第44-48页 |
| 4.3.5 标准BP网络的辨识 | 第48-53页 |
| 4.4 基于改进的PSO-SVR的模型建立 | 第53-58页 |
| 4.5 本章小结 | 第58-59页 |
| 5 总结和展望 | 第59-61页 |
| 参考文献 | 第61-65页 |
| 致谢 | 第65-66页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第66页 |
