| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-15页 |
| 1.1 课题的研究背景与意义 | 第8-9页 |
| 1.2 软测量技术的基本原理与发展 | 第9-11页 |
| 1.3 机器学习理论背景 | 第11-13页 |
| 1.4 论文的主要内容和结构安排 | 第13-15页 |
| 第二章 基于机器学习的软测量建模方法 | 第15-22页 |
| 2.1 引言 | 第15页 |
| 2.2 支持向量机 | 第15-17页 |
| 2.3 高斯过程 | 第17-18页 |
| 2.4 多模型建模理论 | 第18-19页 |
| 2.5 局部建模方法 | 第19-20页 |
| 2.6 本章小结 | 第20-22页 |
| 第三章 基于改进仿射传播聚类的多模型软测量建模 | 第22-32页 |
| 3.1 引言 | 第22页 |
| 3.2 人工鱼群算法 | 第22-25页 |
| 3.3 基于改进AP聚类的多模型软测量建模 | 第25-28页 |
| 3.3.1 基于人工鱼群算法的改进AP聚类 | 第25-27页 |
| 3.3.2 多模型建模过程 | 第27-28页 |
| 3.4 仿真实例 | 第28-31页 |
| 3.4.1 标准数据集Iris聚类的仿真 | 第28页 |
| 3.4.2 双酚A结晶塔软测量建模的仿真 | 第28-31页 |
| 3.5 本章小结 | 第31-32页 |
| 第四章 基于支持向量数据描述的聚类多模型软测量建模 | 第32-38页 |
| 4.1 引言 | 第32页 |
| 4.2 SVDD算法描述 | 第32-33页 |
| 4.3 基于SVDD算法的改进多模型建模 | 第33-35页 |
| 4.4 仿真实例 | 第35-37页 |
| 4.5 本章小结 | 第37-38页 |
| 第五章 基于改进Bagging算法的高斯过程集成软测量建模 | 第38-44页 |
| 5.1 引言 | 第38页 |
| 5.2 Bagging集成学习算法 | 第38-39页 |
| 5.3 改进Bagging算法的高斯过程集成软测量建模方法 | 第39-41页 |
| 5.3.1 基于正则化互信息的特征排序指标 | 第39-40页 |
| 5.3.2 高斯过程集成软测量建模 | 第40-41页 |
| 5.4 仿真实例 | 第41-43页 |
| 5.5 本章小结 | 第43-44页 |
| 第六章 局部加权混合核偏最小二乘算法在软测量中的应用 | 第44-51页 |
| 6.1 引言 | 第44页 |
| 6.2 核函数及混合核函数方法的原理 | 第44-45页 |
| 6.3 LWMKPLS原理分析与算法流程 | 第45-48页 |
| 6.3.1 局部加权回归 | 第45页 |
| 6.3.2 局部加权混合核偏最小二乘算法 | 第45-48页 |
| 6.4 仿真实例 | 第48-50页 |
| 6.5 本章小结 | 第50-51页 |
| 第七章 主要结论与展望 | 第51-53页 |
| 7.1 本文的主要结论 | 第51-52页 |
| 7.2 展望 | 第52-53页 |
| 致谢 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 附录: 作者在攻读硕士学位期间发表的论文 | 第58页 |
