| 摘要 | 第1-7页 |
| ABSTRACT | 第7-13页 |
| 部分词汇说明 | 第13-15页 |
| 第一章 绪论 | 第15-42页 |
| ·课题背景 | 第15-17页 |
| ·研究意义 | 第17-18页 |
| ·制造过程质量控制关键理论技术及研究现状 | 第18-37页 |
| ·统计过程控制 | 第18-26页 |
| ·单变量离散过程监控 | 第19-20页 |
| ·单变量自相关过程监控 | 第20-22页 |
| ·多变量制造过程监控 | 第22-26页 |
| ·基于智能学习的制造过程监控模型 | 第26-31页 |
| ·多变量制造过程异常源识别 | 第31-33页 |
| ·基于知识发现的制造过程异常监控与诊断 | 第33-36页 |
| ·小结 | 第36-37页 |
| ·本文的主要研究内容及创新点 | 第37-42页 |
| ·基于最小量化误差控制图的平稳制造过程监控模型 | 第38-39页 |
| ·基于高斯混合模型的多变量制造过程在线监控模型研究 | 第39-40页 |
| ·基于混合智能学习模型的多变量制造过程异常源识别研究 | 第40页 |
| ·基于集成知识发现算法和知识神经网络的产品质量在线监控与诊断系统 | 第40-42页 |
| 第二章 基于最小量化误差的平稳制造过程监控模型 | 第42-64页 |
| ·引言 | 第42页 |
| ·基于智能学习模型的制造过程监控 | 第42-44页 |
| ·自组织映射神经网络与最小量化误差控制图 | 第44-47页 |
| ·自组织映射神经网络 | 第44-46页 |
| ·基于SOM 的最小量化误差控制图 | 第46-47页 |
| ·SOM 的可视化研究 | 第47页 |
| ·MQE 控制图的应用方法论研究 | 第47-51页 |
| ·数据表达方式与SOM 网络设计 | 第48-49页 |
| ·构建MQE 控制图 | 第49页 |
| ·监控模型性能评估参数：平均运行链长ARL | 第49-50页 |
| ·MQE 控制图阈值设置 | 第50-51页 |
| ·MQE 控制图的应用步骤 | 第51页 |
| ·实验与结果分析 | 第51-61页 |
| ·MQE 控制图监控独立离散制造过程异常 | 第52-53页 |
| ·MQE 控制图监控单变量自相关制造过程异常 | 第53-57页 |
| ·MQE 与残差控制图和基于BPN 的监控模型性能比较 | 第54-56页 |
| ·MQE 与其它常用控制图性能比较 | 第56-57页 |
| ·MQE 控制图监控多变量制造过程异常 | 第57-58页 |
| ·MQE 控制图分析 | 第58-61页 |
| ·制造过程状态可视化研究 | 第61-62页 |
| ·小结 | 第62-64页 |
| 第三章 基于高斯混合模型的多变量制造过程在线监控模型研究 | 第64-103页 |
| ·引言 | 第64页 |
| ·多变量制造过程监控 | 第64-67页 |
| ·基于PCA 的过程监控模型 | 第67-70页 |
| ·高斯混合模型 | 第70-74页 |
| ·EM 算法 | 第72-74页 |
| ·GMM 模型选择标准 | 第74页 |
| ·自适应GMM 算法 | 第74-79页 |
| ·参数动态更新算法 | 第75-76页 |
| ·高斯混合项分裂和合并 | 第76-78页 |
| ·分裂和合并标准 | 第77页 |
| ·分裂和合并操作 | 第77-78页 |
| ·接受标准 | 第78页 |
| ·AGMM 算法过程 | 第78-79页 |
| ·基于GMM 的制造过程监控方法论 | 第79-82页 |
| ·过程状态量化参数 | 第80-81页 |
| ·信任限设置方法 | 第81页 |
| ·模型性能评估标准 | 第81-82页 |
| ·实验与结果分析 | 第82-102页 |
| ·实验1:基于GMM 的平稳制造过程在线监控性能评估 | 第82-93页 |
| ·实验参数设置 | 第82-83页 |
| ·自相关/互相关过程 | 第83-85页 |
| ·Tennessee Eastman Process | 第85-90页 |
| ·半导体批制造过程 | 第90-93页 |
| ·实验2:基于AGMM 的时变过程自适应监控模型的性能评估 | 第93-102页 |
| ·时变过程的异常警告触发标准 | 第93-94页 |
| ·时变过程自适应监控 | 第94-102页 |
| ·小结 | 第102-103页 |
| 第四章 基于混合智能学习模型的多变量制造过程异常源识别 | 第103-133页 |
| ·引言 | 第103页 |
| ·多变量制造过程失控源识别 | 第103-105页 |
| ·基于离散微粒群的选择性神经网络集成算法 | 第105-113页 |
| ·神经网络集成算法 | 第106-109页 |
| ·选择性ANN 集成算法 | 第109-113页 |
| ·基于混合智能学习模型的方法论研究 | 第113-118页 |
| ·多变量过程模型和工业实例应用 | 第113-115页 |
| ·混合智能学习模型框架 | 第115-116页 |
| ·数据集产生方法 | 第116-117页 |
| ·混合智能学习模型的应用过程 | 第117-118页 |
| ·混合学习系统的Module I | 第118-121页 |
| ·监控模型性能评估 | 第118-119页 |
| ·MQE 控制图分析 | 第119-121页 |
| ·混合学习模型的Module II | 第121-131页 |
| ·输入特征和多变量模式仿真 | 第121-123页 |
| ·模型输入特征选择 | 第121-122页 |
| ·数据集开发 | 第122-123页 |
| ·ANN 结构设计 | 第123-125页 |
| ·模式识别性能分析 | 第125-131页 |
| ·基于不同输入特征的DPSOEN 性能比较 | 第125-129页 |
| ·Best-BPN、Ensemble All 和DPSOEN 的识别性能比较 | 第129-130页 |
| ·与其它智能学习模型的性能比较 | 第130-131页 |
| ·小结 | 第131-133页 |
| 第五章 基于知识发现及神经网络集成的产品质量在线监控与诊断系统 | 第133-156页 |
| ·引言 | 第133页 |
| ·基于智能学习的产品质量监控与诊断模型 | 第133-135页 |
| ·混合智能学习模型 | 第135-147页 |
| ·混合智能学习模型的系统结构 | 第137-138页 |
| ·基于GA 的规则抽取算法：GARule | 第138-144页 |
| ·数据挖掘：分类规则 | 第138-139页 |
| ·编码方案（Coding Scheme） | 第139-140页 |
| ·适应度函数（Fitness Function） | 第140-142页 |
| ·GARule 算法流程 | 第142-143页 |
| ·遗传算子（Genetic Operators） | 第143-144页 |
| ·基于KBANN 的智能监控模型 | 第144-146页 |
| ·混合智能学习模型的应用步骤 | 第146-147页 |
| ·工业实例应用研究 | 第147-155页 |
| ·规则抽取：GARule | 第148-151页 |
| ·参数设置 | 第148-149页 |
| ·结果分析 | 第149-151页 |
| ·过程监控模型：KBANN | 第151-155页 |
| ·KBANN 的构建与训练 | 第151-154页 |
| ·结果分析 | 第154-155页 |
| ·小结 | 第155-156页 |
| 第六章 总结与展望 | 第156-158页 |
| ·引言 | 第156页 |
| ·本文的创新点 | 第156-157页 |
| ·将来的研究工作 | 第157-158页 |
| 参考文献 | 第158-170页 |
| 致谢 | 第170-171页 |
| 作者攻读博士学位期间所做的研究工作和发表或录用的学术论文 | 第171-173页 |
