| 摘要 | 第1-5页 |
| Abstract | 第5-7页 |
| 目录 | 第7-9页 |
| 第1章 绪论 | 第9-17页 |
| ·课题背景 | 第9页 |
| ·补料分批发酵过程概述 | 第9-11页 |
| ·影响补料分批发酵过程的主要因素 | 第11-12页 |
| ·补料分批发酵过程建模方法 | 第12-15页 |
| ·基于发酵动力学的机理建模方法 | 第12-13页 |
| ·基于发酵过程数据的黑箱建模方法 | 第13-14页 |
| ·基于机理、数据的混合建模方法 | 第14-15页 |
| ·论文的研究思路与内容安排 | 第15页 |
| ·本章小结 | 第15-17页 |
| 第2章 在线最小二乘支持向量机建模方法研究 | 第17-33页 |
| ·机器学习理论 | 第17页 |
| ·统计学习理论与支持向量机 | 第17-24页 |
| ·支持向量机分类 | 第18-21页 |
| ·支持向量机回归 | 第21-24页 |
| ·最小二乘支持向量机 | 第24-25页 |
| ·最小二乘支持向量机的在线建模方法 | 第25-29页 |
| ·LS_SVM 剪枝算法 | 第25-26页 |
| ·LS_SVM 增量学习算法 | 第26-27页 |
| ·滑动窗LS_SVM 算法 | 第27-28页 |
| ·加权LS_SVM 算法 | 第28-29页 |
| ·现有建模方法的不足 | 第29-32页 |
| ·本章小结 | 第32-33页 |
| 第3章 基于DTW 的LS_SVM 在线建模方法 | 第33-45页 |
| ·局部建模方法 | 第33-34页 |
| ·模型性能指标及输入变量的选取 | 第34-35页 |
| ·基于DTW 的时间序列相似性搜索算法 | 第35-39页 |
| ·基于DTW 的LS_SVM 在线局部建模方法 | 第39-40页 |
| ·仿真实验 | 第40-43页 |
| ·本章小结 | 第43-45页 |
| 第4章 基于DTW 的LS_SVM 在线超参数优化 | 第45-57页 |
| ·核函数的选取及超参数敏感度分析 | 第45-46页 |
| ·评价超参数性能的交叉验证方法 | 第46-47页 |
| ·超参数在线优化方法 | 第47-50页 |
| ·网格搜索法 | 第47-49页 |
| ·粒子群优化算法 | 第49-50页 |
| ·基于DTW 的LS_SVM 在线模型的PSO-CV 超参数优化 | 第50-53页 |
| ·仿真实验 | 第53-55页 |
| ·本章小结 | 第55-57页 |
| 第5章 在线建模方法的应用研究 | 第57-65页 |
| ·大肠杆菌发酵过程介绍 | 第57-59页 |
| ·输入变量的选取对模型性能的影响 | 第59页 |
| ·超参数敏感度分析 | 第59-60页 |
| ·DTW 算法构造在线训练样本集性能分析 | 第60-61页 |
| ·超参数寻优对在线局部模型性能的影响 | 第61-64页 |
| ·本章小节 | 第64-65页 |
| 第6章 发酵过程在线建模软件实现 | 第65-77页 |
| ·软件主界面及动态曲线绘制 | 第65-67页 |
| ·实时数据OPC 通信模块实现 | 第67-73页 |
| ·历史数据存储的ADO 方式实现 | 第73-74页 |
| ·嵌入基于DTW 的LS_SVM 算法 | 第74-76页 |
| ·本章小节 | 第76-77页 |
| 总结与展望 | 第77-79页 |
| 全文总结 | 第77-78页 |
| 展望 | 第78-79页 |
| 参考文献 | 第79-83页 |
| 附录 | 第83-89页 |
| 附录1 | 第83-86页 |
| 附录2 | 第86-89页 |
| 攻读硕士学位期间所发表的学术论文 | 第89-91页 |
| 致谢 | 第91页 |