| 摘要 | 第6-8页 |
| ABSTRACT | 第8-9页 |
| 插图索引 | 第16-18页 |
| 表格索引 | 第18-20页 |
| 符号列表 | 第20-26页 |
| 第一章 绪论 | 第26-42页 |
| 1.1 课题研究背景 | 第26-29页 |
| 1.1.1 软测量技术回顾 | 第26-27页 |
| 1.1.2 软测量技术面临的新问题 | 第27-28页 |
| 1.1.3 软测量模型的复杂性问题 | 第28-29页 |
| 1.2 发酵过程参数软测量技术现状 | 第29-39页 |
| 1.2.1 基于机理分析的软测量 | 第30-34页 |
| 1.2.2 基于神经网络的软测量 | 第34-36页 |
| 1.2.3 基于统计回归的软测量 | 第36-37页 |
| 1.2.4 基于混合模型的软测量 | 第37-39页 |
| 1.3 研究的意义和贡献 | 第39-41页 |
| 1.4 论文结构 | 第41-42页 |
| 第二章 软测量模型理论研究 | 第42-58页 |
| 2.1 引言 | 第42页 |
| 2.2 软测量基本概念 | 第42-48页 |
| 2.2.1 软测量的定义 | 第43-45页 |
| 2.2.2 软测量模型实施条件 | 第45-48页 |
| 2.3 软测量模型可靠性分析 | 第48-52页 |
| 2.3.1 误差理论基础 | 第48-49页 |
| 2.3.2 模型的不确定性 | 第49-50页 |
| 2.3.3 模型的可靠性 | 第50-52页 |
| 2.4 实用软测量模型 | 第52-57页 |
| 2.4.1 传统代数软测量模型 | 第53页 |
| 2.4.2 状态空间软测量模型 | 第53-55页 |
| 2.4.3 人工智能软测量系统 | 第55-57页 |
| 2.5 小节 | 第57-58页 |
| 第三章 支持向量机建模方法 | 第58-80页 |
| 3.1 引言 | 第58页 |
| 3.2 统计学习理论 | 第58-61页 |
| 3.2.1 VC维 | 第59页 |
| 3.2.2 扩展性的界 | 第59-60页 |
| 3.2.3 结构风险最小化原则 | 第60-61页 |
| 3.3 支持向量机 | 第61-69页 |
| 3.3.1 线性可分问题 | 第61-63页 |
| 3.3.2 支持向量分类 | 第63-66页 |
| 3.3.3 支持向量回归 | 第66-69页 |
| 3.3.4 支持向量机规范形式 | 第69页 |
| 3.4 支持向量机学习算法 | 第69-77页 |
| 3.4.1 多乘子优化算法 | 第70-74页 |
| 3.4.2 Gilbert几何算法 | 第74-77页 |
| 3.5 小节 | 第77-80页 |
| 第四章 基于混合软测量模型的滤波算法研究 | 第80-98页 |
| 4.1 引言 | 第80页 |
| 4.2 基于状态方程的Kalman滤波器 | 第80-86页 |
| 4.2.1 基本Kalman滤波器 | 第80-82页 |
| 4.2.2 扩展Kalman滤波器 | 第82-83页 |
| 4.2.3 鲁棒Kalman滤波器 | 第83-86页 |
| 4.3 改进的非线性Kalman滤波器 | 第86-91页 |
| 4.3.1 有限差分Kalman滤波器 | 第87-88页 |
| 4.3.2 不敏变换Kalman滤波器 | 第88-91页 |
| 4.4 非线性方程组的迭代解法 | 第91-93页 |
| 4.4.1 Newton法 | 第91-92页 |
| 4.4.2 拟Newton法 | 第92-93页 |
| 4.5 基于软测量模型的滤波器 | 第93-97页 |
| 4.5.1 软测量模型的几种预处理策略 | 第93-94页 |
| 4.5.2 不敏变换鲁棒Kalman滤波器 | 第94-96页 |
| 4.5.3 状态参数联合估计 | 第96-97页 |
| 4.6 小节 | 第97-98页 |
| 第五章 混合软测量模型在发酵过程中生物量测量的应用 | 第98-114页 |
| 5.1 引言 | 第98页 |
| 5.2 谷胱甘肽流加发酵过程 | 第98-105页 |
| 5.2.1 发酵过程中的生物量测量 | 第99-100页 |
| 5.2.2 实验室高密度酵母流加发酵系统 | 第100-102页 |
| 5.2.3 酵母发酵过程的机理仿真模型 | 第102-105页 |
| 5.3 混合软测量模型的应用 | 第105-107页 |
| 5.3.1 酵母发酵生产谷胱甘肽的直观机理模型 | 第105-106页 |
| 5.3.2 建立完整的混合软测量模型 | 第106-107页 |
| 5.4 生物量软测量仿真试验 | 第107-113页 |
| 5.4.1 支持向量回归建立统计模型 | 第107-109页 |
| 5.4.2 不敏变换鲁棒Kalman滤波器应用 | 第109-111页 |
| 5.4.3 基于混合软测量模型的软测量系统 | 第111-113页 |
| 5.5 小节 | 第113-114页 |
| 第六章 结论、创新工作与展望 | 第114-118页 |
| 6.1 主要结论 | 第114-115页 |
| 6.2 创新工作 | 第115-116页 |
| 6.3 展望 | 第116-118页 |
| 附录 | 第118-130页 |
| 附录A 主要算法的源代码 | 第118-124页 |
| A.1 多乘子优化算法 | 第118-120页 |
| A.2 基于角度收敛的Gilbert算法 | 第120-123页 |
| A.3 基于混合软测量模型的鲁棒Kalman滤波器 | 第123-124页 |
| 附录B 仿真试验原始数据 | 第124-130页 |
| B.1 仿真系统参数 | 第125-126页 |
| B.2 仿真实验数据 | 第126-130页 |
| 参考文献 | 第130-139页 |
| 攻读博士学位期间发表的论文 | 第139-140页 |
| 致谢 | 第140-141页 |
| 博士研究生学位论文答辩委员会决议书 | 第141-142页 |