| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 课题背景及意义 | 第10-11页 |
| 1.2 过程监测的基本内容 | 第11-14页 |
| 1.2.1 过程监测的基本概念 | 第11页 |
| 1.2.2 过程监测的方法 | 第11-13页 |
| 1.2.3 盲源分离算法 | 第13-14页 |
| 1.3 盲源分离算法的研究现状 | 第14-16页 |
| 1.3.1 盲源分离算法的发展历程与应用 | 第14-15页 |
| 1.3.2 独立分量分析方法 | 第15页 |
| 1.3.3 独立分量分析在过程监测中的应用 | 第15-16页 |
| 1.4 盲源分离算法的样本选择问题 | 第16-17页 |
| 1.5 本文研究内容及结构安排 | 第17-18页 |
| 第2章 相关理论基础及工艺过程 | 第18-32页 |
| 2.1 主成分分析 | 第18-21页 |
| 2.1.1 概述 | 第18页 |
| 2.1.2 主成分分析的基本原理 | 第18-20页 |
| 2.1.3 PCA算法在过程监测中的应用 | 第20-21页 |
| 2.2 盲源分离和独立分量分析 | 第21-27页 |
| 2.2.1 盲源分离的模型 | 第22页 |
| 2.2.2 独立分量分析的模型 | 第22-23页 |
| 2.2.3 ICA的预处理技术 | 第23-24页 |
| 2.2.4 ICA原理及主要算法 | 第24-27页 |
| 2.3 基于ICA的过程监测 | 第27-29页 |
| 2.3.1 ICA的离线建模 | 第28页 |
| 2.3.2 ICA的在线监测 | 第28-29页 |
| 2.4 工艺过程 | 第29-31页 |
| 2.4.1 田纳西-伊斯曼过程 | 第29页 |
| 2.4.2 磨矿分级过程 | 第29-31页 |
| 2.5 本章小结 | 第31-32页 |
| 第3章 基于信息熵的分块降维方法 | 第32-50页 |
| 3.1 信息熵及相关理论 | 第32-34页 |
| 3.2 基于信息熵的分块降维方法 | 第34-39页 |
| 3.2.1 样本选择方法 | 第35-36页 |
| 3.2.2 现有的一些样本选择和降维方法 | 第36页 |
| 3.2.3 基于信息熵的分块样本选择方法 | 第36-38页 |
| 3.2.4 改进的信息熵分块样本选择方法 | 第38-39页 |
| 3.3 仿真分析 | 第39-49页 |
| 3.3.1 TE过程的故障监测 | 第39-45页 |
| 3.3.2 磨矿分级过程的故障监测 | 第45-49页 |
| 3.4 本章小结 | 第49-50页 |
| 第4章 快速独立分量分析及改进 | 第50-64页 |
| 4.1 基于峭度的固定点算法 | 第50-51页 |
| 4.2 基于负熵的固定点算法 | 第51-54页 |
| 4.3 自适应加权的峭度和负熵结合方法 | 第54-57页 |
| 4.3.1 峭度和负熵结合方法 | 第54-55页 |
| 4.3.2 自适应加权的峭度和负熵结合方法 | 第55-57页 |
| 4.4 仿真分析 | 第57-63页 |
| 4.4.1 自适应加权的峭度和负熵结合方法的权值调整 | 第58-59页 |
| 4.4.2 自适应加权的峭度和负熵结合方法的可行性验证 | 第59-60页 |
| 4.4.3 自适应加权的峭度和负熵结合方法的分离性能 | 第60-63页 |
| 4.5 本章小结 | 第63-64页 |
| 第5章 总结与展望 | 第64-66页 |
| 参考文献 | 第66-72页 |
| 致谢 | 第72页 |
