| 第一章 绪论 | 第12-29页 |
| 1.1 软测量及其研究现状 | 第12-20页 |
| 1.1.1 软测量的意义 | 第12-14页 |
| 1.1.2 软测量研究的主要内容 | 第14-15页 |
| 1.1.3 软测量的研究现状 | 第15-20页 |
| 1.2 苛性比值与溶出率检测现状及其软测量 | 第20-26页 |
| 1.2.1 苛性比值与溶出率的重要意义 | 第20-21页 |
| 1.2.2 苛性比值与溶出率的检测现状 | 第21-24页 |
| 1.2.3 苛性比值与溶出率的软测量及其技术难点 | 第24-26页 |
| 1.3 论文研究内容及结构 | 第26-29页 |
| 第二章 智能集成软测量模型 | 第29-38页 |
| 2.1 智能集成软测量模型的提出 | 第29-31页 |
| 2.2 智能集成软测量模型基本框架 | 第31-37页 |
| 2.2.1 基本概念 | 第31页 |
| 2.2.2 智能集成软测量模型研究重点 | 第31-35页 |
| 2.2.3 基于智能集成模型的软测量系统及其设计 | 第35-37页 |
| 2.2.3.1 系统的形式化描述 | 第35页 |
| 2.2.3.2 系统的设计原则 | 第35-36页 |
| 2.2.3.3 系统的设计步骤 | 第36-37页 |
| 2.3 小结 | 第37-38页 |
| 第三章 高压溶出工艺及基于专家知识的机理模型 | 第38-53页 |
| 3.1 氧化铝高压溶出工艺概述 | 第38-40页 |
| 3.2 氧化铝高压溶出机理分析 | 第40-44页 |
| 3.2.1 苛性比值与溶出率 | 第40-41页 |
| 3.2.2 氧化铝高压溶出过程中的化学反应 | 第41-43页 |
| 3.2.3 影响苛性比值与溶出率的因素分析 | 第43-44页 |
| 3.3 基于物料平衡及专家知识的苛性比值与溶出率机理模型 | 第44-52页 |
| 3.3.1 基于物料平衡的苛性比值与溶出率机理模型 | 第45-47页 |
| 3.3.2 基于专家知识的理模型修正 | 第47-50页 |
| 3.3.2.1 基于因素分析法的温度与压力的度量 | 第47-49页 |
| 3.3.2.2 机理模型的修正 | 第49-50页 |
| 3.3.3 基于机理模型的实际预测结果 | 第50-52页 |
| 3.4 小结 | 第52-53页 |
| 第四章 数据的降维、聚类及校正 | 第53-71页 |
| 4.1 基于主元分析的输入数据集降维处理 | 第53-57页 |
| 4.1.1 主元分析及其基本算法 | 第54-55页 |
| 4.1.2 基于级联递推最小二乘(CRLS)的主元分析算法 | 第55-57页 |
| 4.2 输入数据集的聚类分析 | 第57-66页 |
| 4.2.1 竞争学习及其存在的问题 | 第58-61页 |
| 4.2.2 RPCL聚类算法 | 第61-62页 |
| 4.2.3 基于样本空间分布的RPCL聚类算法(SDS-RPCL) | 第62-64页 |
| 4.2.4 仿真研究与实际应用 | 第64-66页 |
| 4.3 数据校正 | 第66-70页 |
| 4.3.1 数据协调 | 第67-68页 |
| 4.3.2 显著误差检测 | 第68-70页 |
| 4.4 小结 | 第70-71页 |
| 第五章 苛性比值与溶出率智能集成建模 | 第71-108页 |
| 5.1 苛性比值与溶出率智能集成模型整体框架 | 第71-75页 |
| 5.2 专家知识机理模型与神经网络的集成模型MI | 第75-93页 |
| 5.2.1 模型MI的提出及基本结构 | 第75-77页 |
| 5.2.2 基于主元分析法的复合神经网络(PCA-MNN) | 第77-88页 |
| 5.2.2.1 PCA-MNN的提出 | 第77页 |
| 5.2.2.2 PCA-MNN的总体结构 | 第77-79页 |
| 5.2.2.3 复合神经网络学习算法 | 第79-81页 |
| 5.2.2.4 主元变量的分组及网络结构的优化 | 第81-84页 |
| 5.2.2.5 神经网络的改进RPROP算法 | 第84-86页 |
| 5.2.2.6 基于PCA-MNN的苛性比值预测 | 第86-88页 |
| 5.2.3 基于SDS-RPCL聚类算法的分布式神经网络(SDS-RPCL-DNN) | 第88-93页 |
| 5.2.3.1 SDS-RPCL-DNN的提出 | 第88-89页 |
| 5.2.3.2 SDS-RPCL-DNN的结构及算法 | 第89-90页 |
| 5.2.3.3 SDS-RPCL-DNN的实际预测结果及分析 | 第90-93页 |
| 5.3 灰色模型MII | 第93-102页 |
| 5.3.1 灰色系统理论及其研究现状 | 第93-94页 |
| 5.3.2 灰色建模基本原理 | 第94-96页 |
| 5.3.3 基于改进灰色模型的溶出率预测 | 第96-102页 |
| 5.3.3.1 参数估计改进算法 | 第96-97页 |
| 5.3.3.2 基于残差GM(1，1)的改进灰色模型 | 第97-101页 |
| 5.3.3.3 溶出率灰色模型预测结果 | 第101-102页 |
| 5.4 智能协调与误差修正单元 | 第102-107页 |
| 5.4.1 模型的智能协调 | 第102-104页 |
| 5.4.2 预测结果的误差修正 | 第104-106页 |
| 5.4.3 智能集成模型的预测结果 | 第106-107页 |
| 5.5 小结 | 第107-108页 |
| 第六章 苛性比值与溶出率智能集成模型的在线校正 | 第108-117页 |
| 6.1 智能集成模型校正概述 | 第108-109页 |
| 6.2 基于证据理论的新样本选择 | 第109-111页 |
| 6.3 模型何时需要校正 | 第111-113页 |
| 6.4 分布式复合神经网络的校正 | 第113-116页 |
| 6.4.1 样本子空间的校正 | 第113-115页 |
| 6.4.2 神经网络参数的校正 | 第115-116页 |
| 6.5 小结 | 第116-117页 |
| 第七章 软测量及原矿浆配料优化系统的开发 | 第117-132页 |
| 7.1 基于软测量及专家知识的原矿浆配料优化 | 第117-123页 |
| 7.1.1 原矿浆配料的工艺机理 | 第117-120页 |
| 7.1.1.1 原矿浆的配料工艺 | 第117-118页 |
| 7.1.1.2 原矿浆配料机理分析 | 第118-120页 |
| 7.1.2 基于软测量的原矿浆专家配料优化指导 | 第120-123页 |
| 7.1.2.1 原矿浆配料优化整体框架 | 第121-122页 |
| 7.1.2.2 基于专家系统的配料优化策略 | 第122-123页 |
| 7.2 软测量及原矿浆配料优化系统结构与应用软件 | 第123-128页 |
| 7.2.1 系统总体结构 | 第124-125页 |
| 7.2.2 系统应用软件开发 | 第125-128页 |
| 7.3 系统的工业应用 | 第128-131页 |
| 7.4 小结 | 第131-132页 |
| 第八章 结论与展望 | 第132-134页 |
| 参考文献 | 第134-145页 |
| 附录一 攻博期间发表的论文 | 第145页 |
| 附录二 攻博期间从事的科研情况 | 第145-146页 |
| 附录三 科研成果与获奖情况 | 第146-147页 |
| 致谢 | 第147页 |
