基于模型集群分析的软测量建模方法研究
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第11-20页 |
| 1.1 课题背景与研究意义 | 第11-12页 |
| 1.2 软测量的研究内容和现状 | 第12-14页 |
| 1.3 本文涉及的方法概述 | 第14-17页 |
| 1.3.1 集成学习的基本思想 | 第14-15页 |
| 1.3.2 离群值剔除的基本思想 | 第15页 |
| 1.3.3 模型评价的基本思想 | 第15-17页 |
| 1.4 本文创新点 | 第17-18页 |
| 1.5 本文组织结构 | 第18页 |
| 1.6 本章小结 | 第18-20页 |
| 第2章 基本方法介绍 | 第20-32页 |
| 2.1 集成学习 | 第20-24页 |
| 2.1.1 生成多个学习器的方法 | 第20-22页 |
| 2.1.2 学习器集成的策略 | 第22-24页 |
| 2.2 模型集群分析 | 第24-28页 |
| 2.2.1 离群值侦测 | 第26-27页 |
| 2.2.2 变量选择 | 第27页 |
| 2.2.3 模型评价 | 第27-28页 |
| 2.3 贝叶斯算法 | 第28-31页 |
| 2.3.1 基本方法 | 第28-29页 |
| 2.3.2 在集成多个分类器中的应用 | 第29-30页 |
| 2.3.3 在集成多个回归预测器中的应用 | 第30-31页 |
| 2.4 本章小结 | 第31-32页 |
| 第3章 基于模型集群分析的贝叶斯集成系统设计 | 第32-41页 |
| 3.1 基于模型集群分析的贝叶斯集成系统介绍 | 第32-36页 |
| 3.1.1 数据预处理 | 第32-34页 |
| 3.1.2 对所有训练集建立子模型 | 第34页 |
| 3.1.3 计算贝叶斯后验概率 | 第34-36页 |
| 3.1.4 集成所有预测器的预测结果 | 第36页 |
| 3.2 多样性设计 | 第36-40页 |
| 3.2.1 训练集多样性 | 第37页 |
| 3.2.2 子模型算法多样性 | 第37-40页 |
| 3.3 本章小结 | 第40-41页 |
| 第4章 案例仿真 | 第41-51页 |
| 4.1 工业案例介绍 | 第41-43页 |
| 4.2 算法仿真 | 第43-50页 |
| 4.2.1 离群值剔除前后比较 | 第44-50页 |
| 4.3 本章小结 | 第50-51页 |
| 第5章 基于MATLAB-GUI的仿真平台设计 | 第51-64页 |
| 5.1 设计框架 | 第51-54页 |
| 5.1.1 系统框架 | 第51-52页 |
| 5.1.2 平台与框架的联系 | 第52-54页 |
| 5.2 MATLAB GUI设计 | 第54-55页 |
| 5.3 界面设计 | 第55-63页 |
| 5.3.1 登陆管理系统 | 第55-57页 |
| 5.3.2 系统配置界面 | 第57-60页 |
| 5.3.3 离线建模界面 | 第60页 |
| 5.3.4 在线监测界面 | 第60-62页 |
| 5.3.5 结果评估界面 | 第62-63页 |
| 5.4 本章小结 | 第63-64页 |
| 第6章 总结与展望 | 第64-66页 |
| 6.1 本文小结 | 第64-65页 |
| 6.2 展望 | 第65-66页 |
| 参考文献 | 第66-72页 |
| 个人简历 | 第72页 |
