基于神经网络和最小二乘支持向量机的软测量技术应用研究
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-9页 |
| 符号说明 | 第9-11页 |
| 第一章 文献综述 | 第11-24页 |
| ·软测量技术简述 | 第11-13页 |
| ·软测量的数学描述 | 第13页 |
| ·软测量建模方法 | 第13-19页 |
| ·最小二乘法 | 第15-16页 |
| ·主元回归法 | 第16页 |
| ·部分最小二乘法 | 第16-17页 |
| ·人工神经网络法 | 第17-18页 |
| ·最小二乘支持向量机法 | 第18-19页 |
| ·影响软测量模型性能的主要因素 | 第19-21页 |
| ·建摸方法的选择 | 第19页 |
| ·辅助变量的选择 | 第19-20页 |
| ·数据的预处理 | 第20-21页 |
| ·软测量模型的维护 | 第21页 |
| ·本文主要内容 | 第21-24页 |
| 第二章 神经网络用于软测量的研究 | 第24-43页 |
| ·基于神经网络的软测量技术概述 | 第24页 |
| ·人工神经网络分类 | 第24-25页 |
| ·人工神经网络模型简介 | 第25-29页 |
| ·人工神经元 | 第26-27页 |
| ·网络结构 | 第27-28页 |
| ·神经网络的学习和训练规则 | 第28页 |
| ·神经网络的特点 | 第28-29页 |
| ·前向神经网络模型 | 第29-39页 |
| ·前向神经网络 | 第29页 |
| ·BP神经网络算法 | 第29-31页 |
| ·BP算法的缺点 | 第31页 |
| ·BP算法的改进 | 第31-36页 |
| ·RBF神经网络 | 第36-39页 |
| ·研究实例 | 第39-42页 |
| ·工艺流程简述 | 第39-40页 |
| ·基于神经网络的汽油干点软测量 | 第40-41页 |
| ·基于RBF神经网络的软测量 | 第41-42页 |
| ·BP神经网络和RBF神经网络的比较 | 第42页 |
| ·误差分析 | 第42页 |
| ·本章小结 | 第42-43页 |
| 第三章 基于最小二乘支持向量机的软测量研究 | 第43-68页 |
| ·支持向量机的研究背景 | 第43-45页 |
| ·统计学习理论简介 | 第44-45页 |
| ·支持向量机原理 | 第45-51页 |
| ·用于线性分类的支持向量机 | 第46-48页 |
| ·用于线性函数回归估计的支持向量机 | 第48-49页 |
| ·核函数技术 | 第49-50页 |
| ·非线性支持向量机 | 第50-51页 |
| ·SVM在实际应用中的若干问题 | 第51-52页 |
| ·高维数据的降维 | 第51页 |
| ·SVM超参数的确定 | 第51-52页 |
| ·SVM的训练算法 | 第52页 |
| ·最小二乘支持向量机(LSSVM)原理 | 第52-57页 |
| ·两类LSSVM分类器 | 第53-54页 |
| ·多类LSSVM分类器 | 第54-55页 |
| ·用于函数回归估计的LSSVM | 第55-57页 |
| ·海量样本的LSSVM训练算法 | 第57页 |
| ·LSSVM超参数选择 | 第57-66页 |
| ·算法原理和步骤 | 第60-63页 |
| ·算法测试 | 第63-66页 |
| ·实例应用 | 第66-67页 |
| ·与基于神经网络软测量的实例比较 | 第66-67页 |
| ·本章小结 | 第67-68页 |
| 第四章 最小二乘支持向量机的在线式学习算法 | 第68-79页 |
| ·增量式学习算法 | 第68-73页 |
| ·在线学习算法 | 第73-77页 |
| ·基于增量式的在线学习算法 | 第73-76页 |
| ·提出的非增量式在线训练算法 | 第76-77页 |
| ·实例分析 | 第77-78页 |
| ·本章小结 | 第78-79页 |
| 结论 | 第79-80页 |
| 参考文献 | 第80-84页 |
| 致谢 | 第84-85页 |
| 攻读学位期间发表的学术论文目录 | 第85-86页 |
