论文目录 | |
| 摘要 | 第1-5
页 |
| ABSTRACT | 第5-9
页 |
| 第一章 绪论 | 第9-23
页 |
| · 课题研究背景和意义 | 第9-10
页 |
| · 聚乙烯醇生产过程简介 | 第10-13
页 |
| · 醋酸乙烯聚合反应机理 | 第10-11
页 |
| · 醋酸乙烯聚合反应工艺流程 | 第11-12
页 |
| · 醋酸乙烯聚合率的影响因素分析 | 第12-13
页 |
| · 醋酸乙烯聚合率检测控制研究现状与需求 | 第13-14
页 |
| · 软测量技术 | 第14-19
页 |
| · 软测量的结构原理 | 第14-15
页 |
| · 软测量建模方法 | 第15-17
页 |
| · 影响软测量性能的因素 | 第17-19
页 |
| · 预测控制 | 第19-22
页 |
| · 预测控制产生背景及算法发展简介 | 第19-20
页 |
| · 预测控制基本原理 | 第20-22
页 |
| · 本文主要工作 | 第22-23
页 |
| 第二章 基于RBF 神经网络的醋酸乙烯聚合率软测量建模 | 第23-36
页 |
| · RBF 神经网络简介 | 第23-28
页 |
| · RBF 神经网络的结构 | 第23-24
页 |
| · RBF 神经网络的映射关系 | 第24-25
页 |
| · RBF 神经网络的学习算法 | 第25-26
页 |
| · RBF 神经网络k-均值聚类算法的实现 | 第26-28
页 |
| · RBF 神经网络建立醋酸乙烯聚合率软测量模型 | 第28-35
页 |
| · 主导变量和辅助变量的确定 | 第29
页 |
| · 数据采集和预处理 | 第29-30
页 |
| · 基于RBF 神经网络的VAC 聚合率软测量模型结构 | 第30-31
页 |
| · 基于RBF 神经网络的VAC 聚合率软测量模型仿真研究 | 第31-35
页 |
| · 本章小结 | 第35-36
页 |
| 第三章 基于LS-SVM 和增量LS-SVM 的醋酸乙烯聚合率软测量建模 | 第36-55
页 |
| · 支持向量机简介 | 第36-40
页 |
| · 支持向量机基本思想 | 第36-38
页 |
| · 支持向量机及核函数 | 第38-39
页 |
| · 支持向量机回归 | 第39-40
页 |
| · 最小二乘支持向量机回归原理 | 第40-42
页 |
| · 基于LS-SVM 回归的醋酸乙烯聚合率软测量建模 | 第42-48
页 |
| · 模型最优参数的选择 | 第43
页 |
| · 基于LS-SVM lab 工具箱的具体设计步骤 | 第43-44
页 |
| · LS-SVM 算法MTALAB 仿真主程序段 | 第44-46
页 |
| · 模型仿真结果及可行性分析 | 第46-48
页 |
| · 基于增量LS-SVM 的醋酸乙烯聚合率软测量建模 | 第48-53
页 |
| · LS-SVM 的增量式学习算法 | 第48-50
页 |
| · 仿真分析 | 第50-53
页 |
| · 三种方法的醋酸乙烯聚合率软测量建模结果比较 | 第53
页 |
| · 本章小结 | 第53-55
页 |
| 第四章 醋酸乙烯聚合率的广义预测控制方法研究 | 第55-75
页 |
| · 广义预测控制算法 | 第55-58
页 |
| · 预测模型 | 第55-56
页 |
| · 滚动优化 | 第56-58
页 |
| · 反馈校正 | 第58
页 |
| · 单变量隐式广义预测自校正控制算法 | 第58-61
页 |
| · 基于单变量隐式GPC 算法的醋酸乙烯聚合率控制系统设计 | 第61-74
页 |
| · 醋酸乙烯聚合率控制系统方案 | 第61-62
页 |
| · 醋酸乙烯聚合率控制系统数学模型的建立 | 第62-66
页 |
| · 隐式GPC 算法在醋酸乙烯聚合率控制中的仿真研究 | 第66-69
页 |
| · GPC 控制中主要参数对系统性能的影响 | 第69-74
页 |
| · 本章小结 | 第74-75
页 |
| 第五章 总结和展望 | 第75-77
页 |
| · 论文工作总结 | 第75
页 |
| · 进一步的工作展望 | 第75-77
页 |
| 致谢 | 第77-78
页 |
| 参考文献 | 第78-81
页 |
| 附录 预处理后的样本数据 | 第81-87
页 |
| 个人简历 在读期间发表的学术论文 | 第87
页 |
