| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 1 绪论 | 第13-23页 |
| 1.1 课题背景和意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-21页 |
| 1.3 本文主要研究内容和章节安排 | 第21-23页 |
| 2 线性子空间主元回归建模方法研究 | 第23-43页 |
| 2.1 研究背景 | 第23-24页 |
| 2.2 基于线性子空间的非线性过程质量估计 | 第24-28页 |
| 2.2.1 线性PCR模型构建 | 第26页 |
| 2.2.2 非线性过程质量估计 | 第26-28页 |
| 2.3 二维线性子空间建模方法 | 第28-30页 |
| 2.4 工业实例 | 第30-41页 |
| 2.4.1 FCCU过程 | 第30-34页 |
| 2.4.2 聚丙烯生产过程 | 第34-41页 |
| 2.5 结论 | 第41-43页 |
| 3 概率偏最小二乘模型 | 第43-57页 |
| 3.1 研究背景 | 第43-44页 |
| 3.2 概率PCR模型 | 第44-45页 |
| 3.3 概率PLS模型 | 第45-47页 |
| 3.4 混合概率PLS模型 | 第47-50页 |
| 3.5 软测量建模与工业应用 | 第50-55页 |
| 3.5.1 FCCU过程应用验证 | 第50-52页 |
| 3.5.2 脱丁烷塔过程应用验证 | 第52-55页 |
| 3.6 结论 | 第55-57页 |
| 4 半监督概率偏最小二乘建模方法研究 | 第57-71页 |
| 4.1 研究背景 | 第57-58页 |
| 4.2 半监督概率PLS模型 | 第58-61页 |
| 4.3 混合半监督概率PLS模型 | 第61-65页 |
| 4.4 软测量建模与工业应用 | 第65-70页 |
| 4.5 结论 | 第70-71页 |
| 5 双层独立成分回归建模方法研究 | 第71-83页 |
| 5.1 研究背景 | 第71-72页 |
| 5.2 基于双层ICR的回归建模方法 | 第72-76页 |
| 5.2.1 子空间ICR建模 | 第74页 |
| 5.2.2 基于双层独立成分回归模型的质量指标在线预测 | 第74-76页 |
| 5.3 案例仿真研究 | 第76-82页 |
| 5.3.1 小麦籽粒数据仿真研究 | 第76-80页 |
| 5.3.2 玉米数据仿真研究 | 第80-82页 |
| 5.4 结论 | 第82-83页 |
| 6 隐变量回归模型集成方法研究 | 第83-93页 |
| 6.1 研究背景 | 第83-84页 |
| 6.2 基于多模型融合的集成学习建模方法 | 第84-88页 |
| 6.2.1 建模思想 | 第84-85页 |
| 6.2.2 多模型集成策略 | 第85-87页 |
| 6.2.3 分析和讨论 | 第87-88页 |
| 6.3 软测量建模与工业应用 | 第88-91页 |
| 6.4 结论 | 第91-93页 |
| 7 总结和展望 | 第93-95页 |
| 7.1 总结 | 第93-94页 |
| 7.2 展望 | 第94-95页 |
| 参考文献 | 第95-102页 |
| 附录A | 第102-105页 |
| 附录B | 第105-109页 |
| 攻博期间完成的论文 | 第109-110页 |
| 攻博期间参与的科研项目 | 第110-111页 |
| 个人简历 | 第111页 |