| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 间歇过程概述及研究意义 | 第10-13页 |
| 1.2 国内外针对间歇过程的优化和控制方面的研究 | 第13-16页 |
| 1.3 全文内容安排 | 第16-18页 |
| 第2章 迭代学习控制和偏最小二乘算法简介 | 第18-32页 |
| 2.1 迭代学习控制算法 | 第18-25页 |
| 2.1.1 迭代学习控制的提出 | 第18-20页 |
| 2.1.2 迭代学习控制的研究现状 | 第20-21页 |
| 2.1.3 迭代学习控制的基本原理 | 第21-24页 |
| 2.1.4 迭代学习控制的改进学习律 | 第24-25页 |
| 2.2 偏最小二乘算法 | 第25-30页 |
| 2.2.1 PLS算法基本原理 | 第27-29页 |
| 2.2.2 多向偏最小二乘(MPLS)算法 | 第29-30页 |
| 2.3 小结 | 第30-32页 |
| 第3章 带修正项的间歇过程迭代优化控制 | 第32-60页 |
| 3.1 带修正项的间歇过程迭代优化算法 | 第32-42页 |
| 3.1.1 带修正项的迭代优化算法的基本原理 | 第34-37页 |
| 3.1.2 梯度的估计方法 | 第37-40页 |
| 3.1.3 引入梯度误差范数上界的梯度估计 | 第40-42页 |
| 3.2 基于MPLS模型的酒精发酵过程迭代优化控制 | 第42-58页 |
| 3.2.1 酒精补料分批发酵间歇过程的机理模型与初值的选择 | 第42-46页 |
| 3.2.2 基于迭代学习控制原理的酒精补料分批发酵过程仿真 | 第46-50页 |
| 3.2.3 基于梯度估计的ISOPE方法的酒精补料分批发酵过程仿真 | 第50-55页 |
| 3.2.4 控制系数K值以及梯度权值更新的在线调整方法 | 第55-58页 |
| 3.3 小结 | 第58-60页 |
| 第4章 基于高斯混合模型改进梯度方向的ISOPE方法研究 | 第60-68页 |
| 4.1 高斯混合模型的方法简介 | 第60-65页 |
| 4.1.1 用高斯混合模型(GMM)描述预估数据的特征 | 第61-65页 |
| 4.1.2 基于GMM的梯度估计 | 第65页 |
| 4.2 酒精分批发酵迭代优化控制仿真研究 | 第65-67页 |
| 4.3 小结 | 第67-68页 |
| 第5章 结论与展望 | 第68-70页 |
| 参考文献 | 第70-76页 |
| 致谢 | 第76页 |
