| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 目录 | 第9-12页 |
| 第1章 绪论 | 第12-28页 |
| 1.1 引言 | 第12-13页 |
| 1.2 石油化工过程模型介绍 | 第13-18页 |
| 1.2.1 机理建模 | 第13-14页 |
| 1.2.2 经验建模 | 第14-18页 |
| 1.2.3 混合建模 | 第18页 |
| 1.3 基于数据的经验建模研究现况 | 第18-25页 |
| 1.3.1 模型输入变量的冗余问题 | 第19-23页 |
| 1.3.2 模型内部结构的冗余问题 | 第23-25页 |
| 1.4 本文研究内容 | 第25-28页 |
| 1.4.1 本文基本架构及其章节内容 | 第26-28页 |
| 第2章 基于PCA-MI组合方法消除输入冗余的径向基神经网络 | 第28-54页 |
| 2.1 引言 | 第28-29页 |
| 2.2 基于平均移动直方图密度估计的互信息分析 | 第29-33页 |
| 2.2.1 互信息 | 第29-30页 |
| 2.2.2 平均滑动直方图概率密度估计 | 第30-33页 |
| 2.3 互信息分析的有效性 | 第33-35页 |
| 2.4 径向基神经网络 | 第35-37页 |
| 2.4.1 RBF神经网络概述 | 第35-36页 |
| 2.4.2 RBF神经网络结构 | 第36-37页 |
| 2.5 基于主成分-互信息方法的RBFNN模型 | 第37-40页 |
| 2.6 基于标准测试数据的PCA-MI-RBFNN模型性能分析 | 第40-46页 |
| 2.6.1 标准测试数据 | 第40页 |
| 2.6.2 模型性能分析结果 | 第40-46页 |
| 2.7 基于PCA-MI-RBFNN的4-CBA软测量模型 | 第46-52页 |
| 2.7.1 工艺过程及样本数据 | 第46-48页 |
| 2.7.2 模型性能分析 | 第48-52页 |
| 2.8 本章小结 | 第52-54页 |
| 第3章 基于MI-PCA-MI组合方法消除输入冗余的相关向量机 | 第54-67页 |
| 3.1 引言 | 第54页 |
| 3.2 相关向量机 | 第54-55页 |
| 3.3 互信息-主成分-互信息-相关向量机模型 | 第55-58页 |
| 3.4 基于MI-PCA-MI-RVM的4-CBA软测量模型 | 第58-66页 |
| 3.4.1 工艺过程及样本数据 | 第58-59页 |
| 3.4.2 模型性能分析 | 第59-66页 |
| 3.5 本章小结 | 第66-67页 |
| 第4章 基于PMI-LSR组合方法消除隐含层冗余的径向基神经网络 | 第67-83页 |
| 4.1 引言 | 第67页 |
| 4.2 偏互信息理论 | 第67-68页 |
| 4.3 最小二乘回归 | 第68-69页 |
| 4.4 基于偏互信息-最小二乘回归的径向基神经网络 | 第69-74页 |
| 4.4.1 PMI-LSR-RBFNN算法流程 | 第69-72页 |
| 4.4.2 基于K均值、K中心点、模糊C均值、减法聚类的径向基神经网络 | 第72-74页 |
| 4.5 基于PMI-LSR-RBFNN的PX氧化反应中的燃烧副反应模型 | 第74-82页 |
| 4.5.1 工艺过程及样本数据 | 第74页 |
| 4.5.2 模型性能比较 | 第74-77页 |
| 4.5.3 各类RBFNN隐含层单元位置的分析 | 第77-79页 |
| 4.5.4 基于PMI-LSR-RBFNN模型的灵敏度分析 | 第79-82页 |
| 4.6 本章小结 | 第82-83页 |
| 第5章 基于mRMR-PMI聚类消除隐含层冗余的三层前馈神经网络 | 第83-102页 |
| 5.1 引言 | 第83页 |
| 5.2 最大依赖性和最小冗余度最大相关性 | 第83-85页 |
| 5.2.1 最大依赖性 | 第83-84页 |
| 5.2.2 最小冗余度最大相关性 | 第84-85页 |
| 5.3 多层前馈传播神经网络 | 第85-86页 |
| 5.4 基于互信息mRMR-PMI聚类算法 | 第86-88页 |
| 5.4.1 mRMR-PMI聚类算法流程 | 第86-88页 |
| 5.4.2 MI和PMI聚类算法流程 | 第88页 |
| 5.5 基于mRMR-PMI聚类的多层前馈神经网络 | 第88-91页 |
| 5.6 基于mPMIc-LSR-MLFN的初馏塔干点软测量模型 | 第91-101页 |
| 5.6.1 工艺过程及样本数据 | 第91-93页 |
| 5.6.2 基于mPMIc-LSR-MLFN模型的训练、测试和验证 | 第93-94页 |
| 5.6.3 模型性能分析 | 第94-101页 |
| 5.7 本章小结 | 第101-102页 |
| 第6章 总结与展望 | 第102-105页 |
| 6.1 本文研究内容总结 | 第102-103页 |
| 6.2 展望 | 第103-105页 |
| 参考文献 | 第105-120页 |
| 致谢 | 第120-121页 |
| 作者在攻读博士学位期间取得的学术成果 | 第121-122页 |
