文摘
英文文摘
声明
第1章前言
第2章软测量技术综述
2.1辅助变量的选择
2.2输入变量的时间滞后
2.3输入数据预处理
2.4软测量模型的建立
2.4.1基于工艺机理分析的软测量
2.4.2基于辨识的方法
2.5在线校正
2.6软测量的设计步骤
2.7软测量技术的应用
2.8发展软测量技术的意义
2.9本章小结
第3章常规的软测量建模方法
3.1偏最小二乘(PLS)回归
3.1.1偏最小二乘回归的基本原理
3.1.2偏最小二乘回归的基本特点
3.2径向基神经网络
3.2.1 RBF神经网络模型
3.2.2 RBF训练方法
3.2.3 RBF网络用于软测量的优点及问题
3.3 PCA-RBF软测量建模方法
3.4非线性PLS算法
3.4.1多项式PLS(QPLS)
3.4.2神经网络PLS算法(PLS-RBF)
3.5仿真实例
3.6本章小结
第4章基于支持向量机的软测量技术
4.1统计学习理论
4.1.1经验风险最小化准则
4.1.2 VC维
4.1.3推广性的界
4.1.4结构风险最小化准则
4.2支持向量机(SVM)
4.2.1支持向量机的定义
4.2.2核函数
4.2.3支持向量机分类理论
4.2.4支持向量机回归理论
4.2.5支持向量机与神经网络
4.3最小二乘支持向量机(LS-SVM)
4.3.1最小二乘支持向量机(LS-SVM)原理
4.3.2最小二乘支持向量机的稀疏化处理
4.4 PCA-LS-SVM软测量建模方法
4.4.1 PCA-LS-SVM软测量建模方法
4.4.2改进的PCA-LS-SVM软测量建模方法
4.5 PLS-LS-SVM软测量建模方法
4.6对于LS-SVM模型参数的说明及参数对推广能力的影响
4.6.1对于核函数参数γ的说明
4.6.2对于模型参数C的说明
4.6.3模型参数的选择
4.7仿真实例
4.8本章小结
第5章软测量技术在FCCU主分馏塔上的应用
5.1概述
5.2催化裂化工艺流程简介
5.2.1反应-再生系统流程
5.2.2分流系统流程
5.3柴油闪点软测量模型
5.3.1柴油闪点影响因素分析
5.3.2辅助变量的选择
5.3.3数据来源及预处理
5.3.4柴油闪点软测量模型的建立及结果分析
5.4多输入多输出最小二乘支持向量机软测量模型
5.4.1多输入多输出的最小二乘支持向量机算法
5.4.2多输入多输出最小二乘支持向量机软测量模型建立
5.4.3结果分析
5.5软测量的工程化应用中应注意的问题
5.6本章小结
第6章结论与展望
6.1主要工作总结
6.2今后工作展望
参考文献
附录
致谢
个人简历、攻读硕士期间的研究成果
中国石油大学(华东);