贝叶斯方法及其在化工软测量建模中的应用
| 摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 第一章 绪论 | 第8-14页 |
| ·引言 | 第8-9页 |
| ·贝叶斯理论的研究背景与现状 | 第9-10页 |
| ·贝叶斯理论的基本观点 | 第10-12页 |
| ·本文的主要研究工作 | 第12-14页 |
| 第二章 贝叶斯理论与贝叶斯分类模型 | 第14-20页 |
| ·引言 | 第14页 |
| ·贝叶斯方法的基本原理 | 第14-16页 |
| ·贝叶斯定理 | 第14-15页 |
| ·贝叶斯学习 | 第15-16页 |
| ·几种常用的贝叶斯分类模型 | 第16-18页 |
| ·朴素贝叶斯分类模型 | 第16-17页 |
| ·树扩展的朴素贝叶斯分类模型 | 第17页 |
| ·贝叶斯分类器的增量学习 | 第17-18页 |
| ·提升的朴素贝叶斯分类器 | 第18页 |
| ·小结 | 第18-20页 |
| 第三章 基于互信息属性约简的朴素贝叶斯分类器 | 第20-28页 |
| ·引言 | 第20页 |
| ·朴素贝叶斯分类 | 第20-21页 |
| ·基于互信息的属性约简方法 | 第21-22页 |
| ·信息熵与互信息 | 第21页 |
| ·属性重要性度量方法 | 第21-22页 |
| ·互信息属性约简方法 | 第22页 |
| ·MINBC 算法的程序框图 | 第22-24页 |
| ·仿真示例与结果分析 | 第24-27页 |
| ·小结 | 第27-28页 |
| 第四章 贝叶斯回归型支持向量机模型 | 第28-36页 |
| ·引言 | 第28页 |
| ·支持向量机回归算法 | 第28页 |
| ·高斯过程的贝叶斯方法 | 第28-30页 |
| ·先验概率与似然函数 | 第29页 |
| ·后验概率 | 第29-30页 |
| ·SVM 回归的贝叶斯证据框架 | 第30-32页 |
| ·权值推理 | 第30-31页 |
| ·超参数推理 | 第31-32页 |
| ·模型比较 | 第32页 |
| ·仿真示例与结果分析 | 第32-34页 |
| ·小结 | 第34-36页 |
| 第五章 聚丙烯腈生产过程的软测量建模 | 第36-56页 |
| ·引言 | 第36页 |
| ·工艺流程简介 | 第36-37页 |
| ·聚合釜模型 | 第37-47页 |
| ·聚合釜动力学模型 | 第40-42页 |
| ·pH 值与亚硫酸浓度实验数据回归模型 | 第42-43页 |
| ·反应热估计模型 | 第43-44页 |
| ·模型参数的支持向量机模型 | 第44-45页 |
| ·聚合模型程序流程图 | 第45-47页 |
| ·软测量软件程序结构及人机界面 | 第47-54页 |
| ·软件程序结构 | 第47-49页 |
| ·友好人机界面 | 第49-54页 |
| ·小结 | 第54-56页 |
| 第六章 总结与展望 | 第56-57页 |
| ·本文的主要工作成果 | 第56页 |
| ·关于后续工作的思考和展望 | 第56-57页 |
| 致谢 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 攻读硕士学位期间的研究成果 | 第62页 |
