| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 创新点摘要 | 第8-12页 |
| 第一章 引言 | 第12-30页 |
| 1.1 课题的研究目的和意义 | 第12-13页 |
| 1.2 软测量技术概述 | 第13-16页 |
| 1.2.1 提出过程 | 第13页 |
| 1.2.2 软测量技术基本原理及结构 | 第13-15页 |
| 1.2.3 软测量工程设计步骤 | 第15-16页 |
| 1.3 软测量建模方法研究现状 | 第16-27页 |
| 1.4 软测量技术研究中存在的问题 | 第27-28页 |
| 1.5 论文的主要内容和结构安排 | 第28-30页 |
| 第二章 基于 KIsomap 的非线性特征提取方法 | 第30-44页 |
| 2.1 多维尺度模型 MDS 方法 | 第30-32页 |
| 2.1.1 MDS 方法的基本原理 | 第30-31页 |
| 2.1.2 MDS 方法的步骤 | 第31-32页 |
| 2.2 Isomap 算法 | 第32-33页 |
| 2.2.1 Isomap 算法的基本原理 | 第32页 |
| 2.2.2 Isomap 算法的步骤 | 第32-33页 |
| 2.3 KIsomap 算法 | 第33-35页 |
| 2.3.1 KIsomap 算法的基本原理 | 第33-34页 |
| 2.3.2 KIsomap 算法的步骤 | 第34-35页 |
| 2.4 仿真研究 | 第35-43页 |
| 2.4.1 柴油凝点 NIR 数据集简介 | 第35页 |
| 2.4.2 最小二乘支持向量机算法 | 第35-37页 |
| 2.4.3 基于 KPCA 的非线性特征提取建模 | 第37-41页 |
| 2.4.4 基于 KIsomap 的非线性特征提取建模 | 第41-43页 |
| 2.5 本章小结 | 第43-44页 |
| 第三章 基于模糊信息粒化的非线性特征提取方法 | 第44-55页 |
| 3.1 研究背景 | 第44-45页 |
| 3.1.1 信息粒 | 第44页 |
| 3.1.2 模糊信息粒 | 第44-45页 |
| 3.2 模糊信息粒化 | 第45-47页 |
| 3.2.1 模糊信息粒化理论 | 第45-46页 |
| 3.2.2 Witold Pedrycz 模糊粒化方法 | 第46-47页 |
| 3.3 基于模糊信息粒化的非线性特征提取（FIG）建模 | 第47-54页 |
| 3.3.1 模糊信息粒化的非线性特征提取建模流程 | 第47-49页 |
| 3.3.2 数据处理 | 第49-50页 |
| 3.3.3 基于模糊信息粒化的仿真研究 | 第50-54页 |
| 3.4 本章小结 | 第54-55页 |
| 第四章 基于动态模糊神经网络的软测量智能建模方法 | 第55-71页 |
| 4.1 径向基函数网络 | 第55-58页 |
| 4.1.1 基本原理 | 第55-57页 |
| 4.1.2 网络的训练 | 第57-58页 |
| 4.2 动态模糊神经网络 | 第58-62页 |
| 4.2.1 D-FNN 的结构 | 第59-60页 |
| 4.2.2 D-FNN 结果参数确定算法 | 第60-62页 |
| 4.3 广义动态模糊神经网络 | 第62-66页 |
| 4.3.1 GD-FNN 的结构 | 第62-64页 |
| 4.3.2 GD-FNN 网络结构的算法 | 第64-66页 |
| 4.4 pH 中和过程仿真研究 | 第66-70页 |
| 4.4.1 pH 中和过程 | 第66-68页 |
| 4.4.2 pH 中和过程软测量智能建模 | 第68-70页 |
| 4.5 本章小结 | 第70-71页 |
| 第五章 基于改进的最小二乘支持向量机软测量智能建模方法 | 第71-78页 |
| 5.1 自适应遗传算法 | 第71-72页 |
| 5.1.1 算法原理 | 第71-72页 |
| 5.1.2 算法步骤 | 第72页 |
| 5.2 改进最小二乘支持向量机流程 | 第72-73页 |
| 5.3 基于 IGA-LSSVM 的软测量智能建模 | 第73-77页 |
| 5.3.1 IGA-LSSVM 建模参数选择 | 第73-75页 |
| 5.3.2 基于 IGA-LSSVM 的仿真研究 | 第75-77页 |
| 5.4 本章小结 | 第77-78页 |
| 第六章 工业数据应用 | 第78-93页 |
| 6.1 FCCU 主分馏塔装置 | 第78-80页 |
| 6.1.1 FCCU 主分馏塔 | 第78-79页 |
| 6.1.2 FCCU 主分馏塔装置工艺流程 | 第79-80页 |
| 6.2 FCCU 主分馏塔轻柴油凝点数据采集与预处理 | 第80-82页 |
| 6.2.1 机理分析确定辅助变量 | 第80页 |
| 6.2.2 数据采集与预处理 | 第80-82页 |
| 6.3 工业数据实例分析 | 第82-92页 |
| 6.3.1 轻柴油凝点数据 | 第82-83页 |
| 6.3.2 基于 FIG-IGA-LSSVM 的软测量流程 | 第83-84页 |
| 6.3.3 基于 FIG-IGA-LSSVM 的软测量建模 | 第84-89页 |
| 6.3.4 基于 FIG- LSSVM 的软测量建模 | 第89-92页 |
| 6.4 本章小结 | 第92-93页 |
| 结论 | 第93-96页 |
| 参考文献 | 第96-108页 |
| 攻读博士学位期间取得的研究成果 | 第108-109页 |
| 致谢 | 第109-110页 |
| 作者简介 | 第110页 |
