基于灰色系统理论的聚丙烯熔融指数建模优化研究 |
论文目录 | | 致谢 | 第1-6页 | 摘要 | 第6-7页 | Abstract | 第7-10页 | 1. 绪论 | 第10-32页 | 1.1. 引言 | 第10页 | 1.2. 本课题的提出与背景 | 第10-13页 | 1.2.1. 聚丙烯及其熔融指数 | 第10-11页 | 1.2.2. 聚丙烯工艺 | 第11-12页 | 1.2.3. 聚丙烯熔融指数测量方法 | 第12-13页 | 1.3. 统计学习理论 | 第13-22页 | 1.3.1. 最小化期望风险的准则 | 第14-16页 | 1.3.2. 支持向量机理论 | 第16-22页 | 1.4. 灰色系统理论概述 | 第22-28页 | 1.4.1. 灰色系统理论产生的科学背景 | 第22页 | 1.4.2. 不确定性系统的特征与科学的简单性原则 | 第22-23页 | 1.4.3. 灰色系统理论简介 | 第23-24页 | 1.4.4. 小样本不确定 | 第24页 | 1.4.5. 灰理论基本内容 | 第24-28页 | 1.5. 国内外的研究现状 | 第28-31页 | 1.5.1. 灰色系统理论研究现状 | 第28-29页 | 1.5.2. 熔融指数研究现状 | 第29-31页 | 1.6. 小结 | 第31-32页 | 2. 熔融指数预报GM(1,1)模型 | 第32-50页 | 2.1. 引言 | 第32页 | 2.2. GM(1,1)模型的基本形式 | 第32-36页 | 2.2.1. GM(1,1)模型的基本形式 | 第32-33页 | 2.2.2. GM(1,1)的建模过程 | 第33-34页 | 2.2.3. GM(1,1)模型的有偏性 | 第34-35页 | 2.2.4. 无偏GM(1,1)模型 | 第35-36页 | 2.3. GM(1,1)的适用范围 | 第36-37页 | 2.3.1. 命题1 | 第36页 | 2.3.2. 命题2 | 第36-37页 | 2.4. GM(1,1)模型的混沌特性 | 第37-39页 | 2.4.1. 混沌的概念 | 第37-38页 | 2.4.2. GM(1,1)模型的混沌特性分析 | 第38-39页 | 2.5. GM(1,1)模型的改进 | 第39-44页 | 2.5.1. GM(1,1)模型的特性 | 第39-40页 | 2.5.2. 原始序列的处理 | 第40-41页 | 2.5.3. 背景值的改进 | 第41-42页 | 2.5.4. 边值的确定 | 第42-43页 | 2.5.5. 参数求解方法的优化 | 第43-44页 | 2.6. 丙烯聚合生产过程研究 | 第44-47页 | 2.6.1. 建模对象过程介绍 | 第44-45页 | 2.6.2. 建模变量的确定 | 第45-47页 | 2.7. GM(1,1)模型在熔融指数预报上的应用 | 第47-48页 | 2.8. 小结 | 第48-50页 | 3. GM(1,N)模型和GMC(1,N)模型 | 第50-62页 | 3.1. 引言 | 第50页 | 3.2. GM(1,N)模型 | 第50-52页 | 3.2.1. 多维灰模型GM(1,N) | 第50-52页 | 3.3. GMC(1,N)模型 | 第52-56页 | 3.3.1. GMC(1,N)模型的数学表示 | 第53页 | 3.3.2. 参数b_1,b_2,,b_N和u的评估 | 第53-55页 | 3.3.3. X_1~((0))的评估 | 第55-56页 | 3.4. GMC(1,N)模型在熔融指数预报中的应用 | 第56-57页 | 3.5. 熔融指数预报模型性能指标 | 第57-60页 | 3.6. 小结 | 第60-62页 | 4. 组合模型 | 第62-76页 | 4.1. 引言 | 第62页 | 4.2. GMC(1,N)-BP模型 | 第62-67页 | 4.2.1. BP人工神经网络模型与算法 | 第62-64页 | 4.2.2. 熔融指数预报GMC(1,N)-BP组合模型的建立 | 第64-67页 | 4.3. GMC(1,N)-RBF模型 | 第67-74页 | 4.3.1. RBF神经网络模型和算法 | 第67-70页 | 4.3.2. 熔融指数预报GMC(1,N)-RBF组合模型的建立 | 第70-74页 | 4.4. 小结 | 第74-76页 | 5. 总结与展望 | 第76-78页 | 5.1. 全文总结 | 第76-77页 | 5.2. 研究设想与展望 | 第77-78页 | 参考文献 | 第78-82页 | 作者攻读硕士期间的主要成果 | 第82
页 |
|
|
|