声明
摘要
缩略语列表
图目录
表目录
1.1 研究背景及意义
1.2 国内外填料塔液泛研究现状
1.3 深度学习研究现状
1.4 本文研究内容
第2章 填料塔液泛辨识的深度学习图像识别方法
2.1 填料塔液泛实验系统
2.1.1 设备硬件
2.1.2 配套软件
2.1.3 实验方法及数据采集
2.2 卷积神经网络状态辨识
2.2.1 研究背景与发展现状
2.2.2 卷积神经网络建模
2.2.3 填料塔液泛CNN模型架构
2.3 实验分析
2.3.1 预测模型评价方法
2.3.2 填料塔液泛CNN辨识模型
2.3.3 火焰数字图像CNN模型
2.4 本章小结
第3章 填料塔液泛数据驱动深度学习建模方法
3.1 深度置信网络建模方法
3.1.1 深度置信网络
3.1.2 受限玻尔兹曼机的搭建
3.1.3 受限玻尔兹曼机的训练
3.1.4 反向传播微调
3.2 深度置信网络的自适应学习率改进方法
3.2.1 自适应模型的建立与训练
3.2.2 自适应学习率建模步骤
3.3 案例研究
3.3.1 催化裂化单元ADBN模型
3.3.2 填料塔液泛压降ADBN模型
3.3.3 火焰数字图像ADBN模型
3.4 本章小结
第4章 融合过程变量和数字图像的填料塔液泛辨识方法
4.1 复合深度学习工业模型
4.2 液泛模型的分类方法与评估准则
4.2.1 分类方法
4.2.2 评估准则
4.3 填料塔液泛复合模型实验
4.4 本章小结
5.1 结论
5.2 展望
参考文献
致谢
攻读学位期间参加的科研项目和成果