| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第10-26页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.2 国内外研究现状及发展趋势 | 第12-23页 |
| 1.2.1 故障检测与诊断技术在过程控制领域的研究现状 | 第12-15页 |
| 1.2.2 统计机器学习的研究现状 | 第15-17页 |
| 1.2.3 统计机器学习面临的挑战 | 第17-19页 |
| 1.2.4 故障检测与诊断技术在生物医学领域的研究现状 | 第19-23页 |
| 1.3 论文的主要创新点及研究内容 | 第23-26页 |
| 1.3.1 主要创新点 | 第23-24页 |
| 1.3.2 主要研究内容及结构安排 | 第24-26页 |
| 第二章 多模态的非线性过程故障检测与诊断方法 | 第26-42页 |
| 2.1 引言 | 第26页 |
| 2.2 核主元分析技术 | 第26-27页 |
| 2.3 融合贝叶斯推理的概率核主元分析混合模型 | 第27-31页 |
| 2.3.1 概率核主元分析混合模型 | 第27-29页 |
| 2.3.2 基于贝叶斯推理的PKPCAM的故障检测与诊断方法 | 第29-30页 |
| 2.3.3 建模与监控流程 | 第30-31页 |
| 2.4 仿真实验 | 第31-41页 |
| 2.4.1 TEP描述 | 第31-34页 |
| 2.4.2 离线建模 | 第34-35页 |
| 2.4.3 仿真结果与讨论 | 第35-41页 |
| 2.5 本章小结 | 第41-42页 |
| 第三章 动态的非线性过程故障检测与诊断方法 | 第42-55页 |
| 3.1 引言 | 第42页 |
| 3.2 核独立成分分析 | 第42-43页 |
| 3.3 不相似度检测指标和互信息贡献度诊断指标 | 第43-47页 |
| 3.3.1 不相似度检测指标 | 第43-44页 |
| 3.3.2 互信息贡献度诊断指标 | 第44-46页 |
| 3.3.3 建模与监控流程 | 第46-47页 |
| 3.4 仿真实验 | 第47-54页 |
| 3.4.1 WWTP过程描述 | 第47页 |
| 3.4.2 离线建模 | 第47-49页 |
| 3.4.3 仿真结果与讨论 | 第49-54页 |
| 3.5 本章小结 | 第54-55页 |
| 第四章 复杂化工过程的故障检测与分类方法 | 第55-71页 |
| 4.1 引言 | 第55页 |
| 4.2 超平面邻接距离聚类方法 | 第55-57页 |
| 4.3 基于HDNC-LDA的复杂化工过程监控方法 | 第57-60页 |
| 4.3.1 局部鉴别分析算法 | 第57-59页 |
| 4.3.2 基于HDNC-LDA的过程监控方法 | 第59-60页 |
| 4.3.3 建模与分类流程 | 第60页 |
| 4.4 仿真实验 | 第60-69页 |
| 4.4.1 TEP仿真实验 | 第60-67页 |
| 4.4.2 WWTP仿真实验 | 第67-69页 |
| 4.5 本章小结 | 第69-71页 |
| 第五章 多阶段的间歇过程质量预测方法 | 第71-84页 |
| 5.1 引言 | 第71-72页 |
| 5.2 多向隐马尔科夫模型 | 第72-73页 |
| 5.3 基于GLDA-GPR的预测方法 | 第73-77页 |
| 5.3.1 高斯过程回归技术 | 第73-74页 |
| 5.3.2 全局-局部鉴别分析算法 | 第74-77页 |
| 5.3.3 建模与质量预测流程 | 第77页 |
| 5.4 仿真实验 | 第77-83页 |
| 5.4.1 青霉素发酵过程描述 | 第77-79页 |
| 5.4.2 预测结果与讨论 | 第79-83页 |
| 5.5 本章小结 | 第83-84页 |
| 第六章 基于高维数据的智能医疗疾病诊断方法 | 第84-94页 |
| 6.1 引言 | 第84-85页 |
| 6.2 特征选择方法 | 第85-86页 |
| 6.3 基于遗传算法的特征选择方法 | 第86-90页 |
| 6.3.1 互信息方法 | 第86-87页 |
| 6.3.2 遗传算法 | 第87页 |
| 6.3.3 基于分离度分值的遗传算法 | 第87-89页 |
| 6.3.4 智能系统诊断流程 | 第89-90页 |
| 6.4 仿真实验 | 第90-93页 |
| 6.4.1 肺癌数据描述 | 第90页 |
| 6.4.2 分类模型参数设置 | 第90-91页 |
| 6.4.3 诊断结果与讨论 | 第91-93页 |
| 6.5 本章小结 | 第93-94页 |
| 第七章 总结与展望 | 第94-96页 |
| 7.1 总结 | 第94-95页 |
| 7.2 展望 | 第95-96页 |
| 致谢 | 第96-97页 |
| 参考文献 | 第97-106页 |
| 附录:作者在攻读博士学位期间发表的论文和申请的专利 | 第106页 |
