| 摘要 | 第4-6页 |
| ABSTRACT | 第6-8页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 课题研究的背景及意义 | 第11页 |
| 1.2 软测量建模方法综述 | 第11-14页 |
| 1.2.1 机理建模 | 第12-13页 |
| 1.2.2 人工神经网络建模 | 第13页 |
| 1.2.3 最小二乘支持向量机建模 | 第13-14页 |
| 1.3 国内外研究现状 | 第14-17页 |
| 1.3.1 软测量技术的研究现状 | 第14-15页 |
| 1.3.2 黑液浓度软测量现状 | 第15-17页 |
| 1.4 论文研究内容及章节安排 | 第17-19页 |
| 第二章 碱回收蒸发工段数据采集及处理 | 第19-29页 |
| 2.1 造纸碱回收蒸发工段工艺简述 | 第19页 |
| 2.2 主导变量与辅助变量时序匹配方法 | 第19-24页 |
| 2.2.1 最大相关系数法 | 第20页 |
| 2.2.2 灰关联分析法 | 第20-23页 |
| 2.2.3 仿真实例 | 第23-24页 |
| 2.3 建模数据选择及处理 | 第24-28页 |
| 2.3.1 灰关联分析法处理数据 | 第24-26页 |
| 2.3.2 相关系数法处理数据 | 第26-27页 |
| 2.3.3 数据归一化方法 | 第27-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第三章 最小二乘支持向量机软测量建模方法 | 第29-39页 |
| 3.1 统计学习理论基本概念 | 第29-32页 |
| 3.1.1 VC维 | 第29页 |
| 3.1.2 推广性的界 | 第29-30页 |
| 3.1.3 结构风险最小化 | 第30-31页 |
| 3.1.4 机器学习问题 | 第31-32页 |
| 3.2 支持向量回归机算法 | 第32-35页 |
| 3.3 最小二乘支持向量回归机算法 | 第35-36页 |
| 3.4 核函数 | 第36-37页 |
| 3.5 支持向量机参数优化 | 第37-38页 |
| 3.6 本章小结 | 第38-39页 |
| 第四章 改进的PSO优化算法 | 第39-51页 |
| 4.1 智能优化算法概述 | 第39页 |
| 4.2 粒子群优化算法 | 第39-42页 |
| 4.2.1 基本粒子群优化算法原理 | 第39-41页 |
| 4.2.2 标准粒子群优化算法原理 | 第41-42页 |
| 4.3 改进惯性权重的粒子群优化算法 | 第42-43页 |
| 4.4 改进惯性权重PSO优化算法仿真实验分析 | 第43-49页 |
| 4.5 本章小结 | 第49-51页 |
| 第五章 多模型LS-SVM黑液浓度软测量建模及仿真 | 第51-57页 |
| 5.1 多模型建模方法概述 | 第51页 |
| 5.2 多模型的子模型连接方法 | 第51-53页 |
| 5.3 多模型理论 | 第53-54页 |
| 5.4 最小二乘支持向量机模型参数优化 | 第54-55页 |
| 5.5 单模型LS-SVM和多模型LS-SVM建模仿真实验分析 | 第55-56页 |
| 5.6 本章小结 | 第56-57页 |
| 第六章 总结与展望 | 第57-59页 |
| 6.1 总结 | 第57页 |
| 6.2 展望 | 第57-59页 |
| 参考文献 | 第59-64页 |
| 附录1 | 第64-71页 |
| 致谢 | 第71-72页 |
| 攻读硕士学位期间论文发表情况 | 第72页 |