贝叶斯方法在化工软测量建模中的应用研究
| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 第一章 绪论 | 第7-14页 |
| ·课题研究背景及研究意义 | 第7-8页 |
| ·软测量技术应用在化工建模中的现状与发展趋势 | 第8-10页 |
| ·软测量技术应用在化工建模中的现状 | 第8-9页 |
| ·软测量技术进一步研究与展望 | 第9-10页 |
| ·贝叶斯方法的应用 | 第10-13页 |
| ·贝叶斯网络在数据分类和回归建模中的应用 | 第11-12页 |
| ·稀疏贝叶斯方法在软测量回归建模中的应用 | 第12-13页 |
| ·本文的内容组织 | 第13-14页 |
| 第二章 数据预处理及多模型思想 | 第14-19页 |
| ·数据预处理 | 第14-16页 |
| ·数据预处理在化工过程建模中的必要性 | 第14页 |
| ·数据预处理所涉及的内容和处理方法 | 第14-16页 |
| ·多模型思想 | 第16-18页 |
| ·多模型方法提出的背景 | 第16-17页 |
| ·多模型建模的连接方法 | 第17-18页 |
| ·多模型研究方法优缺点以及发展方向 | 第18页 |
| ·本章小结 | 第18-19页 |
| 第三章 贝叶斯方法在数据分类中的应用 | 第19-27页 |
| ·引言 | 第19页 |
| ·贝叶斯方法的几种分类器形式 | 第19-21页 |
| ·朴素贝叶斯分类模型 | 第19-20页 |
| ·树扩展的朴素贝叶斯分类模型 | 第20-21页 |
| ·贝叶斯网络分类器 | 第21页 |
| ·基于“3σ”规则的贝叶斯分类器 | 第21-25页 |
| ·类变量的离散 | 第22页 |
| ·属性变量的离散 | 第22-24页 |
| ·基于遗传算法的样本优选 | 第24-25页 |
| ·仿真实验和结果 | 第25-26页 |
| ·本章小结 | 第26-27页 |
| 第四章 一种基于贝叶斯网络的软测量建模方法 | 第27-32页 |
| ·引言 | 第27页 |
| ·贝叶斯网络 | 第27-30页 |
| ·贝叶斯网络的结构学习 | 第28页 |
| ·混合高斯模型 | 第28-29页 |
| ·贝叶斯网络模型的估计公式 | 第29-30页 |
| ·仿真实验 | 第30-31页 |
| ·结论 | 第31-32页 |
| 第五章 基于贝叶斯分类器的关联向量机软测量建模 | 第32-38页 |
| ·引言 | 第32页 |
| ·关联向量机 | 第32-34页 |
| ·基于贝叶斯分类器的关联向量机模型 | 第34-35页 |
| ·多模型 RVM 的构造 | 第34页 |
| ·多模型 RVM 算法 | 第34-35页 |
| ·仿真实验 | 第35-37页 |
| ·一维函数仿真 | 第35-36页 |
| ·多模型 RVM 在双酚 A 软测量中的应用 | 第36-37页 |
| ·本章小结 | 第37-38页 |
| 第六章 总结与展望 | 第38-40页 |
| ·本文的工作总结 | 第38页 |
| ·今后工作展望 | 第38-40页 |
| 致谢 | 第40-41页 |
| 参考文献 | 第41-46页 |
| 附录：作者在攻读硕士学位期间发表的论文 | 第46页 |
