| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究背景与意义 | 第10-12页 |
| 1.1.1 研究背景 | 第10-11页 |
| 1.1.2 研究意义 | 第11-12页 |
| 1.2 工业大数据分析的研究现状与应用 | 第12-13页 |
| 1.2.1 大数据分析方法的研究进展 | 第12页 |
| 1.2.2 支持向量机在工业研究问题中的应用 | 第12-13页 |
| 1.3 文章主要内容及章节安排 | 第13-15页 |
| 第二章 相关理论基础 | 第15-28页 |
| 2.1 支持向量机 | 第15-24页 |
| 2.1.1 线性可分支持向量机 | 第15-18页 |
| 2.1.2 软间隔支持向量机 | 第18-21页 |
| 2.1.3 核技巧与非线性支持向量机 | 第21-23页 |
| 2.1.4 序列最小最优化算法 | 第23-24页 |
| 2.2 卷烟材辅料上机适应性概述 | 第24-27页 |
| 2.2.1 卷烟材辅料 | 第24-25页 |
| 2.2.2 影响上机适应性的若干关键指标 | 第25-27页 |
| 2.3 本章小结 | 第27-28页 |
| 第三章 上机适应性机台故障现象的半监督分类研究 | 第28-38页 |
| 3.1 引言 | 第28页 |
| 3.2 半监督支持向量机分类器 | 第28-31页 |
| 3.2.1 基于自我训练的SVM分类方法 | 第29-30页 |
| 3.2.2 基于协同训练的SVM分类方法 | 第30-31页 |
| 3.3 机台故障现象分类特征的选取方法 | 第31-32页 |
| 3.4 基于半监督SVM的机台故障现象分类 | 第32-37页 |
| 3.4.1 SVM的数据集及分类结果 | 第32-34页 |
| 3.4.2 分类器群的叠加分类准确度 | 第34页 |
| 3.4.3 有类标记训练样本数对分类精度的影响 | 第34-35页 |
| 3.4.4 半监督分类方法与二阶聚类方法的比较 | 第35-37页 |
| 3.5 本章小结 | 第37-38页 |
| 第四章 卷烟材辅料关键指标与上机适应性的回归预测研究 | 第38-45页 |
| 4.1 引言 | 第38页 |
| 4.2 支持向量机回归 | 第38-40页 |
| 4.2.1 SVR的损失函数及目标函数 | 第38-39页 |
| 4.2.2 SVR目标函数的对偶问题 | 第39-40页 |
| 4.3 上机适应性回归预测模型的检验 | 第40-41页 |
| 4.4 基于SVR的上机适应性回归预测 | 第41-44页 |
| 4.4.1 模型数据预处理 | 第41-42页 |
| 4.4.2 SVR模型对烟包残次品剔除率的预测 | 第42-43页 |
| 4.4.3 SVR方法与传统回归方法的比较 | 第43-44页 |
| 4.5 本章小结 | 第44-45页 |
| 第五章 上机适应性的过程质量控制与卷烟材辅料关键指标的参数设计研究 | 第45-51页 |
| 5.1 引言 | 第45页 |
| 5.2 核主成分分析二次选择设计变量 | 第45-46页 |
| 5.3 多元回归模型的预测与控制 | 第46-48页 |
| 5.3.1 模型输出变量的预测区间 | 第47-48页 |
| 5.3.2 模型输入变量的控制范围 | 第48页 |
| 5.4 上机适应性问题对应的烟包残次品剔除数的质量控制 | 第48-49页 |
| 5.5 卷烟材辅料关键指标的参数设计 | 第49-50页 |
| 5.6 本章小结 | 第50-51页 |
| 结论与展望 | 第51-53页 |
| 结论 | 第51-52页 |
| 展望 | 第52-53页 |
| 参考文献 | 第53-58页 |
| 附录 读研期间发表学术论文和参与科研项目 | 第58-59页 |
| 致谢 | 第59页 |
