| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 课题背景及意义 | 第10-11页 |
| 1.2 基于卡尔曼滤波的非线性系统状态估计技术 | 第11-14页 |
| 1.2.1 状态估计的发展历史 | 第11-12页 |
| 1.2.2 非线性系统状态估计技术 | 第12-14页 |
| 1.3 自适应UKF滤波技术 | 第14-15页 |
| 1.3.1 系统模型未知的UKF算法 | 第14-15页 |
| 1.3.2 噪声统计特性未知的UKF算法 | 第15页 |
| 1.4 全文主要内容和安排 | 第15-18页 |
| 第2章 腈纶聚合中典型非线性过程分析及研究 | 第18-29页 |
| 2.1 腈纶聚合生产工艺简介 | 第18-21页 |
| 2.1.1 单体聚合工艺过程 | 第18-20页 |
| 2.1.2 原液处理工艺过程 | 第20-21页 |
| 2.2 连续搅拌釜式反应器动力学模型 | 第21-25页 |
| 2.2.1 反应器数学模型 | 第22-24页 |
| 2.2.2 CSTR模型的特点 | 第24-25页 |
| 2.3 PH中和过程的动力学模型 | 第25-28页 |
| 2.3.1 pH中和过程数学模型 | 第25-27页 |
| 2.3.2 pH中和过程模型的特点 | 第27-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第3章 UKF方法的基础理论 | 第29-39页 |
| 3.1 引言 | 第29-30页 |
| 3.2 UKF方法的基本原理 | 第30-34页 |
| 3.2.1 非线性系统卡尔曼滤波 | 第30-32页 |
| 3.2.2 UT变换和对称采样策略 | 第32-34页 |
| 3.3 UKF算法实现 | 第34-35页 |
| 3.4 UKF算法分析 | 第35-38页 |
| 3.5 本章小结 | 第38-39页 |
| 第4章 基于神经网络的UKF算法及其应用 | 第39-51页 |
| 4.1 引言 | 第39-40页 |
| 4.2 神经网络建模 | 第40-42页 |
| 4.2.1 神经网络模型 | 第40-41页 |
| 4.2.2 BP网络和RBF网络比较 | 第41页 |
| 4.2.3 神经网络选择 | 第41-42页 |
| 4.3 基于神经网络的UKF算法 | 第42-47页 |
| 4.3.1 具体算法 | 第42-44页 |
| 4.3.2 仿真验证及结果分析 | 第44-47页 |
| 4.4 NN-UKF算法在腈纶聚合过程中的应用 | 第47-50页 |
| 4.4.1 问题描述 | 第47页 |
| 4.4.2 基于NN-UKF算法的CSTR状态估计 | 第47-50页 |
| 4.5 本章小结 | 第50-51页 |
| 第5章 基于CAUCHY鲁棒函数的UKF算法及其应用 | 第51-67页 |
| 5.1 引言 | 第51-57页 |
| 5.2 鲁棒数据校正技术 | 第57-58页 |
| 5.3 基于CAUCHY鲁棒函数的UKF算法 | 第58-63页 |
| 5.3.1 具体算法 | 第58-59页 |
| 5.3.2 仿真验证及结果分析 | 第59-63页 |
| 5.4 CR-UKF算法在腈纶聚合过程中的应用 | 第63-66页 |
| 5.4.1 问题描述 | 第63-64页 |
| 5.4.2 基于CR-UKF算法的pH中和过程状态估计 | 第64-66页 |
| 5.5 本章小结 | 第66-67页 |
| 第6章 总结与展望 | 第67-69页 |
| 6.1 本文完成的内容 | 第67-68页 |
| 6.2 展望 | 第68-69页 |
| 参考文献 | 第69-74页 |
| 致谢 | 第74-75页 |
| 攻读硕士期间发表的论文以及参与的项目 | 第75页 |
