| 摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 第一章 绪论 | 第8-13页 |
| ·课题背景及意义 | 第8页 |
| ·软测量技术的研究现状 | 第8-10页 |
| ·机器学习理论 | 第10-11页 |
| ·论文的研究内容和安排 | 第11-13页 |
| 第二章 软测量技术及相关机器学习方法 | 第13-18页 |
| ·引言 | 第13页 |
| ·软测量技术的研究内容 | 第13-14页 |
| ·辅助变量的选择 | 第13页 |
| ·数据的处理 | 第13-14页 |
| ·软测量模型的建立 | 第14页 |
| ·软测量模型的在线校正 | 第14页 |
| ·高斯过程 | 第14-15页 |
| ·多模型建模方法 | 第15-16页 |
| ·本章小结 | 第16-18页 |
| 第三章 基于 Boosting 算法的高斯过程集成建模方法 | 第18-24页 |
| ·引言 | 第18页 |
| ·高斯过程回归原理 | 第18-19页 |
| ·基于 Boosting 算法的高斯过程集成方法 | 第19-21页 |
| ·Boosting 回归算法 | 第19-21页 |
| ·Boosting 算法和高斯过程的动态加权集成方法 | 第21页 |
| ·仿真研究 | 第21-23页 |
| ·本章小结 | 第23-24页 |
| 第四章 一种基于加权核 Fisher 准则的朴素贝叶斯分类器 | 第24-29页 |
| ·引言 | 第24页 |
| ·朴素贝叶斯分类器 | 第24-25页 |
| ·基于 WKFDA 的朴素贝叶斯分类器 | 第25-27页 |
| ·仿真结果分析 | 第27-28页 |
| ·本章小结 | 第28-29页 |
| 第五章 基于高斯过程和贝叶斯决策的组合模型软测量 | 第29-33页 |
| ·引言 | 第29页 |
| ·高斯过程和贝叶斯决策的联合估计 | 第29-31页 |
| ·仿真研究 | 第31-32页 |
| ·本章小结 | 第32-33页 |
| 第六章 基于选择性高斯过程集成算法的软测量建模 | 第33-37页 |
| ·引言 | 第33页 |
| ·基于选择性高斯过程集成方法 | 第33-35页 |
| ·仿真研究 | 第35-36页 |
| ·本章小结 | 第36-37页 |
| 主要结论与展望 | 第37-39页 |
| 主要结论 | 第37页 |
| 展望 | 第37-39页 |
| 致谢 | 第39-40页 |
| 参考文献 | 第40-44页 |
| 附录：作者在攻读硕士学位期间发表的论文 | 第44页 |
