基于支持向量机的甲醛浓度软测量
| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 引言 | 第9-11页 |
| 1 研究背景及软测量技术概述 | 第11-21页 |
| ·工程背景 | 第11页 |
| ·甲醛生产过程概述 | 第11-14页 |
| ·软测量技术及建模方法研究现状 | 第14-17页 |
| ·基于传统方法的软测量模型 | 第15页 |
| ·基于回归分析的软测量模型 | 第15-16页 |
| ·基于智能方法的软测量模型 | 第16-17页 |
| ·软测量工程实现 | 第17-19页 |
| ·数据的预处理 | 第17-18页 |
| ·辅助变量的选择 | 第18-19页 |
| ·软测量模型的建立 | 第19页 |
| ·软测量模型的校正 | 第19页 |
| ·本文的主要工作 | 第19-21页 |
| 2 统计学习理论 | 第21-28页 |
| ·统计学习理论中的一些基本概念 | 第21页 |
| ·统计学习理论的发展历史 | 第21-22页 |
| ·统计学习理论的基本内容 | 第22-28页 |
| ·机器学习的基本问题 | 第22-25页 |
| ·统计学习理论的核心内容 | 第25-28页 |
| 3 支持向量机概述 | 第28-43页 |
| ·支持向量分类机 | 第28-32页 |
| ·支持向量回归机 | 第32-37页 |
| ·ε-SVR算法思想 | 第32-34页 |
| ·υ-SVR的引入 | 第34-35页 |
| ·LS-SVR算法简介 | 第35-37页 |
| ·支持向量机的应用研究 | 第37-39页 |
| ·支持向量机在建模中的应用研究现状 | 第37-38页 |
| ·支持向量机在软侧量中的应用研究现状 | 第38-39页 |
| ·支持向量机在实际应用中的关键技术 | 第39-43页 |
| ·核函数的本质 | 第39页 |
| ·核函数的类型 | 第39-40页 |
| ·参数选取的常用方法 | 第40-43页 |
| 4 基于二次规划的参数选取方法 | 第43-49页 |
| ·数据预处理及辅助变量的选择 | 第43-45页 |
| ·主元分析原理 | 第44-45页 |
| ·辅助变量的选择 | 第45页 |
| ·基于υ-SVR的甲醛生产过程模型的建立 | 第45-46页 |
| ·基于二次规划的参数选取方法的实现步骤 | 第46-49页 |
| 5 甲醛浓度软测量的具体实现及仿真实验 | 第49-60页 |
| ·基于RBF神经网络的甲醛浓度软测量 | 第49-52页 |
| ·RBF神经网络理论 | 第49-50页 |
| ·RBF神经网络软测量建模 | 第50-52页 |
| ·基于υ-SVR的甲醛浓度软测量 | 第52-57页 |
| ·网格搜索法的υ-SVR模型软测量 | 第52-54页 |
| ·基于二次规划的υ-SVR模型软测量 | 第54-57页 |
| ·三种建模方法的比较 | 第57-58页 |
| ·基于二次规划参数选取法的υ-SVR模型校正 | 第58-60页 |
| 结论 | 第60-62页 |
| 参考文献 | 第62-64页 |
| 附录A 部分甲醛生产设备及材质 | 第64-65页 |
| 攻读硕士学位期间发表学术论文情况 | 第65-66页 |
| 致谢 | 第66-67页 |
