一、主成分回归在中药过程软测量中的应用研究（论文文献综述）
顾俊发[1]（2021）在《石脑油裂解制乙烯过程中软测量方法研究与应用》文中提出
吴菁[2]（2020）在《污水处理非稳态特性下核建模方法关键问题的研究》文中研究说明坚决打好污染防治攻坚战,是国家的重大决策部署,这意味着污水处理标准的不断提高,处理工艺的不断更新,也意味着对污水厂的在线检测和优化控制提出了更高的要求。但目前许多与质量相关的重要变量无法用硬件传感器在线检测,因此利用现有易测得的过程变量,建立可进行实时估计的软测量模型,预测水质总氮、总氨等重要质量变量并以此来指导污水处理的过程控制及故障预测,可以优化对污水处理过程的管理。然而,污水处理过程是一个典型的非线性、多变量、非稳定、时变系统,模型受到非稳态过程的影响时将导致预测性能急剧退化;其次,过程变量数据采集量小,多个变量间具有自相关、共相关和互相关的特性,当训练样本未能正确选择或者样本不足以预测多个变量的完整信息时,会导致模型预测性能变差,甚至影响模型的泛化性能。这些问题给软测量建模造成很大困难,因此面向污水处理过程的软测量模型受到了国内外学者的广泛关注。本文针对实际污水处理过程中的多种问题,对基于核模型的软测量模型进行深入研究,将多核学习引入相关向量机模型,并将自适应技术引入多输出软测量模型,从而实现在非稳态过程下同时在线监测多个重要难测的质量变量。同时,首次研究多输出多步预测模型在污水处理中的应用。本论文的主要研究内容如下:1.动态多核相关向量机的软测量建模方法研究。针对污水处理中数据量较小且强非线性问题,提出基于多核相关向量机软测量模型。多核相关向量机结合了多种核函数的特性,能够有效应对污水处理过程中存在的复杂性,且相关向量机的高稀疏性和基于概率学习的特点,使得多核相关向量机能够获得优异的预测效果。通过使用粒子群优化算法进行核函数的选择以及权重参数的最优估计,通过选择最优参数,提高软测量模型在动态过程的预测性能,并引入最小绝对收缩和选择算子算法降低所提出模型的数据维数和模型复杂度,从而进一步提高软测量模型的性能。时间差分的引入提高了模型的的动态特性和鲁棒性。最后通过三个案例研究证明所提模型的有效性。2.自适应多输出软测量建模方法研究。针对污水处理过程中存在多个难以测量变量,且具有多变量耦合、强非线性和时变等不同的特性,且易受非稳态过程的影响导致性能退化的问题,提出若干种新型的自适应多输出软测量模型,并将其应用于污水处理中进行对比研究。将3种基本自适应策略与混合自适应策略同3种多输出回归模型相结合,提出24个自适应多输出软测量模型。自适应策略和多输出模型的集成不仅为多输出预测提供了解决方案,而且还具有减轻多输出软测量模型退化的潜力。通过对3个案例研究对比并分析结果,为不同情况下应用何种自适应组合多输出模型提供了重要的参考意见。3.基于变量选择的参数自优化自适应多输出软测量模型在污水处理中的应用研究。针对多输出软测量模型的输入变量选择,以及多输出高斯过程回归模型的参数选择问题,提出基于核典型相关分析的时差-即时多输出高斯过程回归软测量模型来预测污水处理厂中难测的质量相关变量。核典型相关分析使输入和相应目标之间的相关性最大化,简化模型的输入并消除冗余输入,从而保证后续构建能够体现其内部关系的模型。时差和即时学习方法的结合不仅可以削弱不确定性的负面影响,而且可以有效地提高模型的鲁棒性能和预测能力。为了选择多输出高斯过程回归模型的最佳参数,引入了模拟退火萤火虫算法以优化模型的协方差函数,帮助选择相关参数。结果表明,所提模型能够对非稳态污水处理过程的多种难以测量变量进行有效地预测。4.多步多输出预测在污水处理中的应用研究。针对在污水处理过程中设备发生故障,造成数据不准确产生异变,使得采集的非正常数据进入后续监控,引发更大误差的问题,提出在线多输出多步预测模型,将多步预测的直接递归策略与多输出模型相结合,对容易造成故障的多个变量进行多步预测,针对多步预测中误差累积的问题,使用多输出高斯过程回归模型对误差进行预测补偿。结果表明,多输出多步预测模型能对稳态过程进行有效预测。最后对本文的主要工作进行总结,并对面向污水处理过程的进一步研究进行了展望。
郑蓉建[3]（2020）在《谷氨酸发酵过程的软测量建模研究》文中研究说明生物产业（含发酵食品、发酵化学品、发酵医药品、发酵能源等）是国民经济的支柱产业,广泛应用于食品、饲料、医药和化工等领域。谷氨酸是世界上产量最大的氨基酸,主要通过发酵生产。在发酵过程中,重要生化参数（如菌体浓度、基质浓度、产物浓度等）的实时获取,对于过程的控制与优化具有十分重要的意义。然而发酵过程具有强烈非线性、时变性、强耦合等特征,关键生化参数无法在线检测,目前生产中大都采用实验室取样分析方法来得到。为此,软测量技术通过建立过程在线易测辅助变量与难测主导变量（重要生化参数）之间的数学模型,来实现对发酵过程重要生化参数的预测估计,是解决上述问题的有效途径。在过去几十年里,软测量技术已经成为过程控制领域的研究热点,并在工业过程中得到广泛应用。本课题来源于国家自然科学基金面上项目（项目编号61273131）“生物反应过程的在线支持向量机建模与优化”,以典型生化过程——谷氨酸发酵过程为研究背景,结合谷氨酸发酵过程的实际生产操作机理,对谷氨酸发酵过程中难于在线测量的关键生化参数的软测量建模及相关问题进行了深入研究,取得的研究成果如下:（1）针对谷氨酸发酵过程关键生化参数无法在线检测给发酵优化控制带来困难问题,建立了改进遗传算法对模型参数进行辨识的谷氨酸分批流加非结构动力学模型。在发酵过程常用的Logistic模型、Luedeking-Piret等方程基础上建立了谷氨酸分批流加非结构动力学模型,分别采用非线性规划、基本遗传算法、改进遗传算法对模型参数进行辨识,并对不能在线测量的重要生化参数如菌体浓度、基质浓度和产物谷氨酸浓度进行拟合和估计预测,谷氨酸发酵实验和仿真结果验证了所建动力学模型的有效性。（2）针对高度非线性、时变性的谷氨酸发酵过程动力学模型存在批次性、预测精度差、机理建模困难问题,基于生化过程多阶段特性,提出多阶段支持向量机回归的数据驱动软测量模型、并应用于谷氨酸发酵过程产物浓度的预测。为此,首先建立了基于移动窗的皮尔逊相关系数结合线性回归的发酵过程阶段分割方法,分割结果与常规离线化验分析结果基本一致;其次,基于阶段划分的基础上建立多阶段支持向量机回归的产物谷氨酸浓度预测软测量模型。实验和仿真结果表明,多阶段模型相比全局单模型具有更高的预测能力。（3）针对支持向量机回归模型运算时间过长、谷氨酸发酵过程影响因素存在耦合等问题,在分析最小二乘支持向量机理论基础上,建立了偏最小二乘和最小二乘支持向量机相结合的谷氨酸发酵过程软测量模型。首先通过相关系数矩阵对输入变量进行相关性分析,表明变量间存在较强相关性;进一步采用方差膨胀因子对变量的多重共线性进行诊断,结果表明变量间存在中等程度共线性,需要对输入相关变量进行筛选。为此,利用偏最小二乘找出对预测模型输出变量重要的输入变量,降低预测模型输入变量维数、消除相关性、简化模型,以提高预测模型的精度。进一步,运用耦合模拟退火算法对最小二乘支持向量机的参数进行优化,谷氨酸发酵实验仿真结果表明,所建模型预测精度高,可为谷氨酸发酵过程操作及时调整及优化控制提供有效指导。（4）针对支持向量机回归和最小二乘支持向量机等参数化回归软测量建模存在过拟合、参数设置困难、不能刻画预测结果不确定问题,设计了一种基于特征关联性的输入变量选择、超参数自适应获取、输出具有概率特性的自相关决定高斯过程软测量模型,并应用于谷氨酸发酵过程。首先应用高斯过程回归模型进行训练,同时在贝叶斯框架下,确定协方差函数中的超参数,利用训练好的高斯过程回归模型进行预测。其次,分析了谷氨酸浓度对发酵参数的感度发现,发酵时间、CO2释放速率CER、O2消耗速率OUR对谷氨酸浓度影响最大。进一步,分析了预测值的不确定性即方差和模型输入在线变量之间变化关系,当发酵罐温度T、CO2释放速率CER、O2消耗速率OUR异常变化时,发现预测值的方差随之发生明显变化,可利用预测值的方差异常变化作为发酵过程状态或传感器异常的指示器。谷氨酸发酵实验和仿真研究表明,所建基于特征关联性的自相关决定高斯过程回归的软测量模型可以实现对谷氨酸浓度的较高精度预测,且预测结果具有较小的置信度区间,满足发酵过程实时控制需要。（5）谷氨酸发酵过程是一个复杂的生化过程,在无法根据发酵过程复杂内部机理建立准确的动力学模型的条件下,要实现发酵过程的优化控制是一个具有挑战性的课题。基于对谷氨酸发酵过程机理分析和研究,运用软测量技术建立了难测参数的软测量模型,设计和优化了谷氨酸发酵过程溶氧控制,将所建软测量模型应用于谷氨酸发酵过程异常批次的识别,并基于罗克韦尔公司开发的RSLogix5000编程软件平台开发了一套谷氨酸发酵过程软测量建模及优化控制系统。通过实际应用表明,该系统能满足谷氨酸发酵过程的实际运行需求,提高了自动化水平,减轻操作人员的劳动强度。
任超[4]（2020）在《基于高阶特征模态识别的多工况软测量建模》文中提出工业过程受限于测量仪器昂贵或者测量环境恶劣,关键质量指标难以实时准确测量。通过建立辅助变量和主导变量之间的函数映射关系而实现预测未知主导变量的软测量建模方法是解决上述问题的有效方案。软测量建模方法要求建模数据与实时数据满足独立同分布假设,并且建模的正常过程数据来自于单一的稳定生产工况。在实际工业过程中,工作条件的变化使生产过程呈现多工况、多模态特性。多工况条件下,实时数据无法选择数据分布相近的模态进行建模预测会造成软测量模型性能恶化,从多个操作工况的生产过程中合理划分模态后选择对应模态建模是提升建模预测效果的有效手段。为此,本文以模态识别为基础,研究了基于高阶特征模态识别下的多工况软测量建模问题。全文的主要研究内容如下:（1）针对包含过渡模态的多模态过程,为更好揭示多模态过程的运行状态和分布变化规律,提高后续建模精度,提出一种基于最大均值差异（Maximum Mean Discrepancy,MMD）的多模态过程过渡模态识别方法,引入滑动窗口对数据进行切割,使用最大均值差异对局部数据分布差异进行度量,对离线多模态数据进行模态识别。（2）针对多模态过渡过程下多模型软测量模型失准问题,基于相对熵衡量两个数据分布之间距离的特性,引入滑动窗策略,通过度量窗口数据分布的相对熵来识别局部数据分布差异,进而对离线多模态数据识别出稳定模态和过渡模态,待测样本通过平均相对熵从已建模模态中选择分布最相近的模态进行支持向量回归建模。（3）针对建模数据与实时数据分布不一致导致的软测量模型预测失准问题,引入测地线流式核和子空间对齐两种迁移学习方法对主成分分析降维后的子空间进行域适应,再将迁移学习后的工况数据投影至偏最小二乘潜在空间,最后对潜在变量进行支持向量回归建模。
李东,黄道平,刘乙奇[5]（2020）在《基于协同训练的半监督异构自适应软测量建模方法的研究》文中进行了进一步梳理软测量技术被广泛应用到工业过程中重要且难以在线测量变量的预测。然而,由于工业过程的复杂性,非线性和高昂的数据获取成本,使得建模所需的输入和输出变量数据比例严重不平衡。因此,本文在已有的co-training模型的基础上,将协同训练算法与前馈神经网络（BP）算法相结合,提出了针对非线性问题的co-training BP模型。然而,由于软测量模型应用过程的时变性和不确定性,以及外部环境等因素的影响,会造成数据突变、延迟和波动性大等情况,导致模型预测性能的衰减。因此,本文提出了一种半监督异构的自适应co-training RPLS-RBP模型。一方面,该模型使用奇偶分组的方法将标记数据进行两部分均分。另一方面,递归PLS（RPLS）与递归BP（RBP）同时用于标记数据的建模和预测。为了验证模型的预测性能,所提出模型在一个污水处理的仿真基准平台（BSM1）和一个实际污水厂（UCI）的数据中得到了验证。结果表明,所提模型具有较好的预测性能。
王靖[6]（2020）在《近红外光谱和紫外-可见漫反射光谱结合化学计量学对三七及其相似品的鉴别及掺伪定量研究》文中研究指明三七（PN）作为一种名贵的中药,由于其巨大的药用价值而需求量日益增加。然而,三七生长条件苛刻、资源短缺,导致三七价格持续走高。市场上经常出现外观与三七相似的伪品掺入三七中,如莪术（RC）、姜黄（CL）和高良姜（RAO）等。中药成分复杂,如何对三七及其相似品鉴别和掺伪定量分析是一个难点。近红外光谱和紫外-可见漫反射光谱由于无损、快速、操作简单等特点被广泛用于复杂样品定性和定量分析。本文探讨近红外光谱和紫外-可见漫反射光谱结合化学计量学对三七及其相似品进行鉴别和掺伪定量的可行性。具体研究内容如下:1.近红外光谱结合化学模式识别对三七及其相似品的鉴别。从天津市药店购买三七样品25个,莪术、姜黄、高良姜样品各28个,共109个样品。将每个样品分别磨粉、过120目筛子后,直接采集样品的近红外光谱。根据Kennard and Stone（KS）算法将样品分为70个训练集样品和39个预测集样品。比较系统聚类分析（HCA）、偏最小二乘-判别分析（PLS-DA）、人工神经网络（ANN）、支持向量机（SVM）和极限学习机（ELM）五种模式识别方法对109个中药样品的鉴别能力。利用训练集样品确定最佳参数并建立分类模型,再对预测集进行预测。结果显示,PLS-DA和SVM可以实现对三七及其三种相似品100%的准确鉴别。2.近红外光谱结合多元校正对多元掺伪三七样品中三七组分的定量研究。首先设计了7个不同组成的掺伪三七样品的数据集,其中三七分别与莪术、姜黄和高良姜三种伪品的二元掺伪数据集3个,三元掺伪数据集3个以及四元掺伪数据集1个,按照整体顺序局部随机的分组方式把每个数据集分为2/3的训练集和1/3的预测集。利用每个数据集的训练集样品分别建立主成分回归（PCR）、偏最小二乘回归（PLSR）、支持向量回归（SVR）、ANN和ELM五种模型,并比较五种模型对预测集掺伪三七样品中三七组分预测效果。综合考虑预测精度、是否过拟合和计算效率后发现,无论对于几元掺伪三七进行预测,PLSR都是最佳校正模型方法。在此基础上,考虑光谱预处理对预测结果的影响,发现适当的预处理方法可以进一步提高PLSR模型的预测性能。3.紫外-可见漫反射光谱结合化学模式识别对三七及其三种相似品进行鉴别。首先采集三七、莪术、姜黄、高良姜四种中药共109个纯样品的紫外-可见漫反射光谱。根据KS算法将109个样品分为70个训练集样品和39个预测集样品。然后利用训练集样本进行参数优化,并建立HCA、PLS-DA、ANN和SVM四种模式识别方法下四种纯样品的鉴别模型,再对预测集样本进行鉴别。结果显示,PLS-DA是一种准确的鉴别方法,预测准确率可以达到100%。4.紫外-可见漫反射光谱结合多元校正对四元掺伪三七的定量研究。首先设计三七、莪术、姜黄、高良姜四种中药的75个不同组成比例的四元掺伪三七样品,并采集紫外-可见漫反射光谱。根据KS算法将样品分为50个训练集样品和25个预测集样品。然后根据蒙特卡洛交叉验证结合F检验确定PLSR的最佳因子数,利用训练集样本建立PLSR模型。同时考虑六种预处理方法和三种变量选择方法对建模的影响。结果表明,结合适当的预处理和变量选择方法能够提高模型的预测性能,最终对于预测集样品的每种组分进行预测,相关系数Rp均在0.98以上。
李涛[7]（2018）在《双支持向量回归在铝电解槽温软测量的应用》文中研究说明随着我国社会主义事业迅速发展,铝电解工业在国民经济中发挥着重要作用。在铝电解控制过程中,铝电解槽温起着控制中心的作用,是影响铝电解电流效率重要的参数变量之一。然而铝电解过程具有高温、强腐蚀性、非线性、时滞性等特点,导致铝电解槽温难以测量。因此有效地对铝电解槽温测量是铝电解稳定生产的重要控制目标。本论文采用软测量技术来对铝电解槽温测量。目前在铝电解槽温软测量建模方法中,支持向量回归算法是推广性最好的方法之一,唯一不足的是模型训练时间较长。本文在支持向量回归算法的基础上,引入双支持向量回归算法。双支持向量回归算法较支持向量回归算法优势明显,表现在时间复杂度低,泛化能力强。本论文主要工作以双支持向量回归算法为基础,对铝电解槽温软测量建模及校正,具体研究如下:1.改进双支持向量回归（Improved Twin Support Vector Regression,ITSVR）在铝电解槽温软测量的应用。双支持向量回归算法在最优化求解问题上只需求解两组较小的二次规划问题,模型训练时间仅为支持向量回归算法的四分之一。但双支持向量回归算法未采用结构风险最小化原则,为降低过拟合风险,在双支持向量回归算法中引入L2范数正则项,限制模型的上下边界,实现结构风险最小化原则。接着用改进双支持向量回归算法对铝电解槽温软测量建模,在模型输入变量中采用主成分分析法对辅助变量降维,简化模型输入。最后用MATLAB仿真实验证明了改进双支持向量回归算法泛化精度高,时间复杂度低;同时建立的铝电解槽温软测量模型也能有效地预测温度。2.增量ITSVR在铝电解槽温软测量模型的应用。软测量模型预测精度由于铝电解生产状态变化可能下降,因此需对铝电解槽温软测量模型校正。在建模过程中,采用增量学习算法对模型动态更新。考虑到传统增量学习算法容易忽略掉可能转为支持向量的非支持向量,在更新的过程中,定义了边界域向量,利用边界域向量更好地保留有用的非支持向量。最后MATLAB仿真实验证明了增量ITSVR能有效地对铝电解槽温软测量模型校正,而边界域向量也能提高增量学习的泛化精度。
郝兆平[8]（2017）在《SCR反应器入口NOx含量的软测量方法研究》文中认为选择性催化还原（SCR）脱硝技术因为具有较高的脱硝率、技术可靠、结构简单且氨气逃逸率小等优点已成为燃煤电站锅炉控制NOx排放的主要选择。SCR反应器入口NOx含量及时、准确的测量对调节喷氨量至关重要,同时也影响着SCR反应器出口NOx的排放。目前火电厂普遍采用烟气在线监测系统（CEMS）对NOx含量进行测量,烟气分析仪进行分析时需要一定的时间,因此测得的NOx含量相对于NOx真实值存在着一定的滞后。为了实现电厂SCR反应器入口NOx含量及时、准确测量,本文利用最小二乘支持向量机建立SCR反应器入口NOx含量的软测量模型,对NOx含量进行预测。本文以SCR反应器入口NOx含量为研究对象,首先对与NOx含量有关的锅炉燃烧参数进行分析,选定了19个初始的相关变量;将采集的相关数据经过标准化处理、样本优选后,通过偏最小二乘法的交叉有效性分析和变量投影重要性分析最终选定了6个主要辅助变量,达到了简化数据、减少冗余、降低维数的目的。进行软测量模型建立时,将选定的变量作为软测量模型的输入矢量,通过MATLAB编程实现了一个多输入单输出的最小二乘支持向量机软测量模型的建立。然后利用粒子群算法对最小二乘支持向量机参数误差惩罚因子C和径向基核函数宽度s进行寻优,有效克服了网格搜索法选取参数的盲目性,模型的精度得到有效改善。同时,建立了动态LSSVM软测量模型,利用实时预报误差,自适应地修正模型参数,不断丢弃旧的训练样本,同时加入新的数据作为训练样本,实现模型的在线修正,通过该模型能更好的预测SCR反应器入口NOx含量。建立最小二乘支持向量机软测量模型对SCR反应器入口NOx含量进行预测,实现NOx含量的及时、准确测量,对于提高喷氨量准确性,减小氨逃逸,降低SCR反应器出口NOx排放,实现电厂节能减排有重要的现实意义。
刘博[9]（2015）在《基于LS-SVM的厌氧发酵过程软测量建模研究》文中研究指明厌氧发酵生物处理技术在去除有机污染物的同时可以回收能源,为解决能源与环境问题提供了一条切实可行的途径,然而厌氧发酵是一个非线性、复杂的生化过程,特别是产甲烷菌对环境的改变非常敏感,因此为保持厌氧发酵过程稳定高效稳定运行,就需要对厌氧反应过程进行合理的监测与控制。但是现实中厌氧发酵的监测与控制都是相当困难的,这一方面是因为一些影响厌氧发酵过程进行的重要过程参数缺乏可靠的在线监测设备,另一方面是因为厌氧发酵过程的非线性特性使得过程建模比较困难。传统中,对于第一个问题的解决思路是开发更加先进的在线监测设备,对于第二个问题则是在大量假设的基础上建立厌氧发酵过程的简化数学模型。近年来,基于推断控制的软测量技术为解决上述两个难题提供了新的思路。在软测量建模方法中支持向量机具有更为严格的理论和数学基础,其泛化性能好,不存在局部最小问题,特别适用于解决小样本、非线性、高维数等问题,因此本文在论述了软测量基本理论之后,利用最小二乘支持向量机智能算法研究厌氧发酵过程出水VFA和COD软测量建模及模拟预测问题,得到以下成果:颗粒污泥可以加速厌氧反应器的启动,但环境的改变会导致厌氧发酵类型的改变。短时间的冲击负荷会影响厌氧发酵系统运行的稳定性,其中水力冲击的影响最大,浓度冲击影响次之,零碱度冲击影响最小。冲击负荷会使厌氧发酵系统的p H值下降,ORP上升,甲烷含量下降,二氧化碳含量上升,出水COD和VFA增加,但是各个变量的响应速度和变化规律不尽相同。主成分分析能够用于分析多变量之间的关系,同时有效降低建模输入变量维数,有效降低后续建模的复杂度。基于LS-SVM的VFA稳态软测量模型厌氧废水处理系统出水VFA具有很好的仿真预测能力,测试样本的最大相对误差为4.72%,平均相对百分比误差为1.61%,均方根误差为1.08,整体预测数据与实际数据的相关系数达0.9996;稳态干扰模型,由于数据幅度变大,模型对厌氧废水处理系统出水VFA的仿真预测精度有所降低,但整体上模型的预测值与实际值的相关系数仍然高达0.9984。基于LS-SVM的COD稳态软测量模型训练时最大相对误差为11.45%,平均百分百误差为0.79%,均方根误差为3.04,测试时,性能有所降低,但整体上模型预测数据与实际数据的相关系数依然可以达到0.9752,基本上可以预测出水COD的变化规律。浓度、水力和碱度三种冲击负荷下出水VFA和COD的动态LS-SVM软测量模型都具有很好的模拟预测性能,模型的预测值与实际值的相关系数均大于0.99,其中碱度冲击下动态LS-SVM模型性能最优,水力冲击下动态LS-SVM模型性能次之。本文对软测量技术在厌氧发酵过程中的应用做了一些开拓性和探索性的研究工作,对提高厌氧发酵过程的监测水平具有重要参考价值。
吕游[10]（2014）在《基于过程数据的建模方法研究及应用》文中认为为了保证电站的安全经济运行,需要获得一些重要热工参数的信息。由于技术和资金的限制,只利用硬件传感器很难实现这些参数的可靠、准确和快速测量。基于数据的软测量建模方法是解决此问题的途径之一,而且近年来电站信息化的发展使过程数据的获取变得越来越容易,这为构建数据模型提供了良好的研究平台。数据软测量建模已经成为热工过程检测和控制领域的一个新的研究热点。一般构建模型采用的数据来源主要有两种：对过程进行试验设计而得到的试验数据和从历史数据库中获得的历史运行数据。两种数据的工况分布、稳态状况、均匀性、相关性以及样本量等特性均不相同。本文以基于过程数据的建模方法为研究主题,在对数据进行分析和预处理的基础上,做了以下工作：（1）稳态工况检测针对历史运行数据工况的稳态和动态交替特性,提出了一种基于分段曲线拟合的稳态工况检测方法。利用分段曲线将离散数据样本拟合成连续信号,并求得了各样本点对应的一阶导数和二阶导数值,同时滤除了高阶噪声。根据有关阈值判定准则,得到了数据样本的变化趋势和稳态信息,最终判定出稳态工况。以某600MW电站机组给水流量系统的稳态工况检测为例,验证了该方法的有效性。（2）基于内部LSSVM的非线性PLS建模方法针对热工试验数据工况特性,提出了一种新的非线性偏最小二乘（Partial Least Squares, PLS）建模方法。该方法保留了外部线性PLS框架来提取输入输出主成分特征向量,同时消除了变量间的相关性,内部采用最小二乘支持向量机（Least Squares Support Vector Machine, LSSVM）来描述主成分之间的非线性关系,而且基于误差对权值进行更新,提高了模型的预测精度。利用pH中和过程的Benchmark模型验证了本方法的有效性,并基于某电站燃煤锅炉的实际热态试验数据建立了NOx排放模型,得到了较高的预测精度。（3）基于LSSVM集成的建模方法针对历史运行数据局部工况分布和大样本的特点,提出了一种基于LSSVM集成的建模方法。在模糊均值聚类（Fuzzy C-Means, FCM）的基础上,提出了软聚类（Soft FCM, SFCM）算法,并基于此方法把原始样本划分成多个相互重叠的子空间；在各子空间上建立了个体LSSVM模型；基于选择性集成思想,利用PLS作为聚合策略来捕获差异度较大的个体信息得到模型输出。选取某电站660MW机组实际运行数据,建立了NOx排放的软测量模型,并与其他建模方法对比,结果表明提出的方法降低了模型的复杂度而且提高了预测精度。（4） LSSVM集成模型的更新方法针对过程特性的变化,提出了LSSVM集成模型的更新方法。将过程特性变化分为运行工况拓展和工况变迁,并提出了基于样本追加和样本替换的更新策略,在此基础上,利用增量式LSSVM算法来实现集成模型的更新,而且研究了模型的更新时序。基于sinc函数的数值仿真对更新策略的有效性进行了验证；结合NOx排放的集成模型,对更新前后的预测效果进行了对比,结果表明过程特性发生变化时更新后的模型仍能保持较高的预测精度。
二、主成分回归在中药过程软测量中的应用研究（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、主成分回归在中药过程软测量中的应用研究（论文提纲范文）
（2）污水处理非稳态特性下核建模方法关键问题的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 英文缩写词表 |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 污水处理工艺简介 |
| 1.2.1 污水处理稳态过程特性 |
| 1.2.2 污水处理过程数据异常特性 |
| 1.3 面向污水处理的软测量建模方法综述 |
| 1.3.1 辅助变量选择 |
| 1.3.2 污水处理过程的数据预处理 |
| 1.3.3 基于核方法的软测量模型应用现状 |
| 1.3.4 软测量模型的维护 |
| 1.4 本文所使用的主要数据简介 |
| 1.4.1 Benchmark Simulation Model1 (BSM1) |
| 1.4.2 Benchmark Simulation Model No.2(BSM2) |
| 1.4.3 UCI污水数据 |
| 1.4.4 北京某污水厂 |
| 1.5 本论文主要研究工作及结构 |
| 第二章 面向污水动态多核相关向量机的软测量建模方法研究 |
| 2.1 引言 |
| 2.2 基础理论简介 |
| 2.2.1 相关向量机模型 |
| 2.2.2 最小绝对收缩和选择算子(Lasso) |
| 2.2.3 时差模型(Time difference) |
| 2.3 基于Lasso的动态多核相关向量机模型建模过程 |
| 2.3.1 多核学习 |
| 2.3.2 基于Lasso的 TD-MRVM的建模过程 |
| 2.4 案例分析 |
| 2.4.1 BSM1基准仿真平台 |
| 2.4.2 模型的鲁棒性分析 |
| 2.4.3 北京某污水厂案例 |
| 2.4.4 讨论分析 |
| 2.5 本章小结 |
| 第三章 面向污水自适应多输出软测量建模对比研究 |
| 3.1 引言 |
| 3.2 相关理论 |
| 3.2.1 相关自适应理论 |
| 3.2.2 多输出最小二乘模型 |
| 3.2.3 多输出相关向量机模型 |
| 3.2.4 多输出高斯过程模型 |
| 3.3 多输出自适应模型研究框架 |
| 3.3.1 研究框架介绍 |
| 3.3.2 自适应方法组合介绍 |
| 3.4 案例分析 |
| 3.4.1 BSM1暴雨案例 |
| 3.4.2 BSM2污泥膨胀案例 |
| 3.4.3 北京某污水厂案例 |
| 3.5 对比和讨论 |
| 3.6 本章小结 |
| 第四章 基于变量选择的参数自优化自适应多输出软测量模型在污水处理中的应用研究 |
| 4.1 引言 |
| 4.2 基础理论 |
| 4.2.1 重要变量投影(VIP) |
| 4.2.2 主成分分析(PCA) |
| 4.2.3 典型相关分析(CCA) |
| 4.3 参数自优化的自适应多输出软测量模型 |
| 4.3.1 核典型相关分析 |
| 4.3.2 改进的萤火虫优化算法 |
| 4.3.3 参数自优化的自适应多输出软测量模型 |
| 4.4 案例研究 |
| 4.4.1 UCI案例 |
| 4.4.2 北京某污水厂案例 |
| 4.5 本章小结 |
| 第五章 多步多输出预测在污水处理中的应用研究 |
| 5.1 引言 |
| 5.2 相关理论 |
| 5.2.1 迭代多步策略(Iterated Multi-Step Strategy) |
| 5.2.2 直接多步策略(Direct Multi-Step Strategy) |
| 5.2.3 直接-迭代多步策略(Direct-iterated Multi-Step Strategy) |
| 5.3 多步双重多输出预测高斯过程回归模型的研究 |
| 5.4 案例分析 |
| 5.4.1 BSM1案例研究 |
| 5.4.2 北京某污水厂案例 |
| 5.5 本章小结 |
| 总结与展望 |
| 参考文献 |
| 攻读博士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
（3）谷氨酸发酵过程的软测量建模研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外谷氨酸产业的发展现状 |
| 1.2.1 谷氨酸物化性质及发展历史 |
| 1.2.2 国内外谷氨酸产业现状 |
| 1.3 软测量技术 |
| 1.3.1 软测量建模概述 |
| 1.3.2 软测量建模步骤与内容 |
| 1.3.3 软测量建模方法 |
| 1.3.4 软测量技术应用 |
| 1.4 发酵过程软测量建模国内外研究现状 |
| 1.4.1 基于机理模型的发酵过程软测量 |
| 1.4.2 基于数据驱动的发酵过程软测量 |
| 1.4.3 混合模型软测量 |
| 1.5 主要研究内容和结构安排 |
| 第二章 谷氨酸发酵过程动力学建模 |
| 2.1 引言 |
| 2.2 发酵过程基础数学模型 |
| 2.2.1 发酵过程合成和和代谢分解反应 |
| 2.2.2 发酵过程典型数学模型 |
| 2.2.3 发酵过程比反应速率模型 |
| 2.3 谷氨酸发酵过程代谢(流)网络分析 |
| 2.3.1 材料与方法 |
| 2.3.2 发酵过程影响因素分析 |
| 2.3.3 代谢网络模型的简化、计算和求解 |
| 2.3.4 基于代谢网络结构模型的谷氨酸浓度预测 |
| 2.4 谷氨酸发酵分批流加非结构动力学建模 |
| 2.4.1 非线性规划确定非结构动力学模型参数 |
| 2.4.2 遗传算法确定非结构动力学模型参数 |
| 2.4.3 改进遗传算法确定非结构动力学模型参数 |
| 2.5 本章小结 |
| 第三章 基于多阶段支持向量机回归的谷氨酸发酵过程软测量 |
| 3.1 引言 |
| 3.2 支持向量机 |
| 3.2.1 支持向量机分类 |
| 3.2.2 支持向量机回归 |
| 3.3 多阶段分割算法 |
| 3.4 基于多阶段支持向量机回归的谷氨酸浓度软测量 |
| 3.5 结果与讨论 |
| 3.6 本章小结 |
| 第四章 基于偏最小二乘和最小二乘支持向量机的谷氨酸发酵过程软测量 |
| 4.1 引言 |
| 4.2 偏最小二乘 |
| 4.2.1 PLS原理与计算方法 |
| 4.2.2 模型提取成分的确定 |
| 4.3 最小二乘支持向量机 |
| 4.4 基于耦合模拟退火的最小二乘支持向量机软测量 |
| 4.4.1 模拟退火算法 |
| 4.4.2 耦合模拟退火算法 |
| 4.4.3 耦合模拟退火优化参数算法 |
| 4.4.4 基于CSA优化的LSSVM软测量预测算法 |
| 4.5 基于PLS-LSSVM的谷氨酸发酵过程软测量 |
| 4.5.1 PLS-LSSVM软测量预测模型实现流程 |
| 4.5.2 辅助变量选择 |
| 4.6 结果与讨论 |
| 4.6.1 模型性能评估指标 |
| 4.6.2 PLS与 LSSVM模型比较 |
| 4.6.3 SVM和 LSSVM预测模型比较 |
| 4.6.4 PLS-LSSVM简化模型性能分析 |
| 4.7 本章小结 |
| 第五章 基于高斯过程的谷氨酸发酵过程软测量 |
| 5.1 引言 |
| 5.2 高斯过程模型 |
| 5.2.1 无参预测 |
| 5.2.2 高斯过程回归 |
| 5.2.3 协方差函数 |
| 5.2.4 高斯过程的模型选择 |
| 5.2.5 高斯过程稀疏化 |
| 5.3 基于PLS-GP的谷氨酸发酵过程软测量 |
| 5.3.1 基于PLS-GP的软测量模型架构 |
| 5.3.2 训练数据的准备 |
| 5.3.3 输入变量选择 |
| 5.3.4 协方差函数的确定 |
| 5.3.5 结果和讨论 |
| 5.4 基于预测方差的谷氨酸发酵过程异常状态分析 |
| 5.4.1 基于预测方差的自主动高斯过程模型 |
| 5.4.2 基于预测方差的谷氨酸发酵过程异常状态分析 |
| 5.5 基于自相关决定高斯过程的谷氨酸发酵软测量 |
| 5.5.1 基于特征关联性的自相关决定变量选择 |
| 5.5.2 结果和讨论 |
| 5.6 本章小结 |
| 第六章 谷氨酸发酵过程软测量建模及优化控制系统的开发 |
| 6.1 引言 |
| 6.2 谷氨酸发酵过程软测量实施系统软件构架 |
| 6.3 谷氨酸发酵过程计算机控制系统 |
| 6.3.1 溶解氧控制 |
| 6.3.2 温度控制 |
| 6.3.3 pH值控制 |
| 6.3.4 压力的控制 |
| 6.3.5 泡沫的控制 |
| 6.4 谷氨酸发酵过程溶解氧的优化控制 |
| 6.4.1 材料与方法 |
| 6.4.2 DO控制算法 |
| 6.4.3 结果和讨论 |
| 6.5 监控系统设计 |
| 6.6 Matlab与 RSView32 通信的实现 |
| 6.7 软测量应用实例——谷氨酸发酵过程异常批次识别 |
| 6.8 本章小结 |
| 第七章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 致谢 |
| 参考文献 |
| 附录:作者在攻读博士学位期间的成果 |
（4）基于高阶特征模态识别的多工况软测量建模（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 软测量技术基础 |
| 1.3 软测量建模方式 |
| 1.3.1 机理建模 |
| 1.3.2 数据驱动建模 |
| 1.3.3 混合建模 |
| 1.4 本文主要研究内容 |
| 第二章 多模态过程模态识别及软测量 |
| 2.1 引言 |
| 2.2 多模态工业过程特性及建模研究 |
| 2.2.1 多模态数据特性 |
| 2.2.2 多模态软测量建模研究 |
| 2.2.3 多工况模态识别 |
| 2.2.4 子模型连接方式 |
| 2.3 本章小结 |
| 第三章 多模态过程离线模态识别 |
| 3.1 引言 |
| 3.2 最大均值差异 |
| 3.3 基于最大均值差异的离线多模态过渡模态识别 |
| 3.3.1 离线稳定模态与过渡模态识别 |
| 3.3.2 离线过渡子模态识别 |
| 3.3.3 时间复杂度分析 |
| 3.4 数值仿真应用研究 |
| 3.4.1 实验仿真数据介绍 |
| 3.4.2 实验结果与分析 |
| 3.5 TE过程仿真研究 |
| 3.5.1 TE过程介绍 |
| 3.5.2 TE仿真实验设置 |
| 3.5.3 各指标衡量过渡变化趋势 |
| 3.5.4 TE模态识别结果 |
| 3.5.5 多模型软测量实验 |
| 3.6 本章小结 |
| 第四章 基于相对熵识别的多模态SVR软测量 |
| 4.1 引言 |
| 4.2 相关理论 |
| 4.2.1 相对熵 |
| 4.2.2 支持向量机回归 |
| 4.3 基于相对熵的多模型软测量建模 |
| 4.3.1 基于相对熵的模态识别 |
| 4.3.2 基于相对熵选择的局部建模 |
| 4.3.3 模态识别参数分析 |
| 4.4 数值仿真模态识别实验结果 |
| 4.5 球磨机实验结果与分析 |
| 4.5.1 球磨机负荷参数介绍 |
| 4.5.2 球磨机数据采集和处理 |
| 4.5.3 球磨机负荷参数预测实验结果分析 |
| 4.6 TE仿真实验结果分析 |
| 4.6.1 实验数据 |
| 4.6.2 基于相对熵识别的软测量结果 |
| 4.6.3 基于相对熵识别的支持向量回归软测量 |
| 4.7 与GMR算法对比 |
| 4.8 本章小结 |
| 第五章 基于潜在空间的多工况迁移SVR软测量 |
| 5.1 引言 |
| 5.2 迁移学习介绍 |
| 5.2.1 子空间对齐 |
| 5.2.2 测地线流式核 |
| 5.3 潜在空间迁移投影 |
| 5.3.1 PLS提取潜在变量 |
| 5.3.2 迁移潜空间投影算法 |
| 5.4 TE多模态实验 |
| 5.4.1 TE数据采集 |
| 5.4.2 多工况软测量结果 |
| 5.5 球磨机软测量实验 |
| 5.6 本章小结 |
| 第六章 结论 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 攻读学位期间取得的科研成果 |
| 致谢 |
（5）基于协同训练的半监督异构自适应软测量建模方法的研究（论文提纲范文）
| 引言 |
| 1 递归PLS和递归BP |
| 1.1 递归的PLS(RPLS) |
| 1.2 递归的BP神经网络算法（RBP) |
| 2 基于协同训练的软测量 |
| 2.1 co-training BP模型 |
| 2.2 异构自适应co-training RPLS-RBP混合回归模型 |
| 3 案例研究 |
| 3.1 案例一 |
| 3.1.1 研究背景 |
| 3.1.2 预测性能 |
| 3.2 案例二 |
| 3.2.1 研究背景 |
| 3.2.2 预测性能 |
| 3.3 讨论 |
| 4 结论 |
（6）近红外光谱和紫外-可见漫反射光谱结合化学计量学对三七及其相似品的鉴别及掺伪定量研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 中药三七简介 |
| 1.2 中药鉴别及质量控制常用方法 |
| 1.2.1 色谱法 |
| 1.2.2 光谱法 |
| 1.2.3 不同仪器联用法 |
| 1.3 中药研究中的化学计量学方法 |
| 1.3.1 化学模式识别在中药研究中的应用 |
| 1.3.2 多元校正在中药研究中的应用 |
| 1.3.3 光谱预处理方法的应用 |
| 1.3.4 变量选择方法的应用 |
| 1.4 课题研究的目的与思路 |
| 第二章 近红外光谱结合化学模式识别对三七及其相似品的鉴别研究 |
| 2.1 引言 |
| 2.2 实验 |
| 2.2.1 纯样品的制备 |
| 2.2.2 近红外光谱采集 |
| 2.2.3 数据处理 |
| 2.3 结果讨论 |
| 2.3.1 近红外光谱分析 |
| 2.3.2 不同模式识别方法的参数优化 |
| 2.3.3 不同模式识别方法的预测结果 |
| 2.4 小结 |
| 第三章 近红外光谱结合多元校正对掺伪三七的定量研究 |
| 3.1 引言 |
| 3.2 实验 |
| 3.2.1 掺伪三七样品的制备 |
| 3.2.2 近红外光谱采集 |
| 3.2.3 数据处理 |
| 3.3 结果讨论 |
| 3.3.1 近红外光谱分析 |
| 3.3.2 不同多元校正方法的参数优化 |
| 3.3.3 不同多元校正方法的预测结果 |
| 3.3.4 不同预处理方法结合最佳建模方法对预测结果的影响 |
| 3.3.5 最佳预处理方法结合最佳建模方法的预测结果 |
| 3.4 小结 |
| 第四章 紫外-可见漫反射光谱结合化学模式识别对三七及其相似品的鉴别研究 |
| 4.1 引言 |
| 4.2 实验 |
| 4.2.1 纯样品的制备 |
| 4.2.2 紫外-可见漫反射光谱采集 |
| 4.2.3 数据处理 |
| 4.3 结果讨论 |
| 4.3.1 紫外-可见漫反射光谱分析 |
| 4.3.2 不同模式识别方法的参数优化 |
| 4.3.3 不同模式识别方法的预测结果 |
| 4.4 小结 |
| 第五章 紫外-可见漫反射光谱结合多元校正对掺伪三七的定量研究 |
| 5.1 引言 |
| 5.2 实验 |
| 5.2.1 掺伪三七样品的制备 |
| 5.2.2 紫外-可见漫反射光谱采集 |
| 5.2.3 数据处理 |
| 5.3 结果讨论 |
| 5.3.1 紫外-可见漫反射光谱分析 |
| 5.3.2 PLSR模型的参数优化 |
| 5.3.3 全光谱的PLSR模型结果分析 |
| 5.3.4 预处理方法对预测结果的影响 |
| 5.3.5 最佳预处理结合变量选择对预测结果的影响 |
| 5.3.6 最佳预处理结合最佳变量选择的预测结果 |
| 5.4 小结 |
| 第六章 结论 |
| 参考文献 |
| 发表论文和参加科研情况 |
| 致谢 |
（7）双支持向量回归在铝电解槽温软测量的应用（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究的背景和意义 |
| 1.1.1 铝电解工艺 |
| 1.1.2 铝电解槽温的重要性 |
| 1.1.3 铝电解槽温测量误差对过热度的影响 |
| 1.1.4 课题研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 测温设备测量研究现状 |
| 1.2.2 软测量在铝电解槽温测量的应用研究现状 |
| 1.2.3 增量学习在软测量应用中的研究现状 |
| 1.3 本文的主要工作 |
| 1.4 本文组织结构 |
| 第2章 相关理论与技术 |
| 2.1 软测量技术 |
| 2.1.1 辅助变量的选择 |
| 2.1.2 数据预处理 |
| 2.1.3 软测量建模方法 |
| 2.1.4 软测量模型的校正 |
| 2.2 支持向量机 |
| 2.2.1 VC维理论简介 |
| 2.2.2 结构风险最小化原则 |
| 2.2.3 支持向量回归算法 |
| 2.3 主成分分析法 |
| 2.3.1 主成分分析原理 |
| 2.3.2 主成分分析法计算步骤 |
| 2.4 本章小结 |
| 第3章 改进双支持向量回归在铝电解槽温软测量的应用 |
| 3.1 双支持向量回归算法 |
| 3.2 改进双支持向量回归算法 |
| 3.3 复杂度分析 |
| 3.4 基于ITSVR的铝电解槽温软测量建模过程 |
| 3.4.1 铝电解槽温辅助变量的选取 |
| 3.4.2 铝电解数据预处理 |
| 3.4.3 软测量模型训练 |
| 3.5 实验与结果分析 |
| 3.5.1 ITSVR模型方法的有效性 |
| 3.5.2 铝电解槽温软测量模型有效性 |
| 3.6 本章小结 |
| 第4章 增量ITSVR在铝电解槽温软测量模型的应用 |
| 4.1 支持向量回归增量学习 |
| 4.1.1 基于分块法的增量学习算法 |
| 4.1.2 基于KKT条件的增量学习算法 |
| 4.2 基于ITSVR的增量学习算法 |
| 4.2.1 ITSVR的 KKT条件 |
| 4.2.2 ITSVR的样本划分 |
| 4.2.3 边界域向量 |
| 4.2.4 基于边界域向量的ITSVR的增量学习 |
| 4.3 基于增量ITSVR的铝电解槽温软测量应用 |
| 4.4 实验与结果分析 |
| 4.5 本章小结 |
| 第5章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间从事的科研工作及取得的成果 |
（8）SCR反应器入口NOx含量的软测量方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 引言 |
| 1.2 论文选题的目的和意义 |
| 1.3 本课题的研究现状 |
| 1.4 软测量技术概论 |
| 1.4.1 软测量模型 |
| 1.4.2 软测量建模方法简介 |
| 1.5 全文结构 |
| 第2章 支持向量机相关理论 |
| 2.1 统计学理论 |
| 2.1.1 VC维 |
| 2.1.2 结构风险最小化 |
| 2.2 支持向量机 |
| 2.2.1 线性支持向量回归机 |
| 2.2.2 非线性支持向量回归机 |
| 2.3 最小二乘支持向量机 |
| 2.3.1 最小二乘支持向量回归原理 |
| 2.3.2 最小二乘支持向量回归的算法实现 |
| 2.4 本章小结 |
| 第3章 辅助变量优化选取 |
| 3.1 NO_x含量的影响因素分析 |
| 3.2 现场数据的采集与预处理 |
| 3.2.1 数据采集 |
| 3.2.2 数据变换 |
| 3.2.3 样本优选 |
| 3.3 基于偏最小二乘回归选取辅助变量 |
| 3.3.1 偏最小二乘回归 |
| 3.3.2 交叉有效性 |
| 3.3.3 变量投影重要性 |
| 3.3.4 偏最小二乘回归实际应用 |
| 3.4 本章小结 |
| 第4章 SCR反应器入口NO_x含量软测量建模 |
| 4.1 LSSVM软测量模型 |
| 4.1.1 软测量模型建立 |
| 4.1.2 LSSVM的MATLAB实现 |
| 4.2 LSSVM模型参数寻优 |
| 4.2.1 网格搜索法进行参数寻优 |
| 4.2.2 基于粒子群算法进行参数寻优 |
| 4.3 软测量模型在线校正 |
| 4.4 仿真结果分析与比较 |
| 4.5 本章小结 |
| 第5章 总结和展望 |
| 5.1 本文主要工作 |
| 5.2 本课题研究展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及其它成果 |
| 致谢 |
（9）基于LS-SVM的厌氧发酵过程软测量建模研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章绪论 |
| 1.1 课题的研究背景与意义 |
| 1.2 厌氧发酵生物处理技术概述 |
| 1.2.1 厌氧发酵生物处理技术的基本原理 |
| 1.2.2 影响厌氧发酵过程的主要因素 |
| 1.3 厌氧发酵过程监控系统研究现状 |
| 1.3.1 厌氧发酵系统的在线监测技术 |
| 1.3.2 厌氧发酵监控系统发展现状 |
| 1.4 厌氧发酵过程自动控制研究现状 |
| 1.4.1 经典控制 |
| 1.4.2 现代控制 |
| 1.4.3 大系统控制 |
| 1.4.4 智能控制 |
| 1.5 课题来源与研究内容 |
| 1.5.1 课题来源 |
| 1.5.2 研究内容 |
| 第二章软测量建模基本理论 |
| 2.1 软测量技术概述 |
| 2.2 软测量建模基本过程 |
| 2.2.1 辅助变量初选 |
| 2.2.2 现场数据的采集与预处理 |
| 2.2.3 辅助变量的精选 |
| 2.2.4 软测量模型的建立与离线训练 |
| 2.2.5 软测量模型的在线校正 |
| 2.3 软测量建模方法 |
| 2.3.1 传统软测量建模方法 |
| 2.3.2 基于统计分析的软测量建模方法 |
| 2.3.3 基于人工智能的软测量方法 |
| 2.3.4 基于统计学习理论的软测量建模方法 |
| 2.3.5 混合建模方法 |
| 2.4 本章小结 |
| 第三章实验室IC厌氧废水处理系统的启动、运行及冲击负荷试验 |
| 3.1 厌氧反应器发展概述 |
| 3.2 IC厌氧反应器的启动与运行 |
| 3.2.1 材料与方法 |
| 3.2.2 IC厌氧反应器启动方法 |
| 3.2.3 常温下IC厌氧反应器启动结果分析 |
| 3.2.4 IC厌氧反应器的稳态运行试验 |
| 3.3 冲击负荷试验 |
| 3.3.1 材料与方法 |
| 3.3.2 冲击负荷试验设计 |
| 3.3.3 冲击负荷试验结果分析 |
| 3.4 本章小结 |
| 第四章基于PCA-LSSVM的厌氧消化系统出水水质软测量建模研究 |
| 4.1 主成分分析概述 |
| 4.2 支持向量机基本理论 |
| 4.2.1 统计学习理论 |
| 4.2.2 支持向量机 |
| 4.2.3 最小二乘支持向量机(LS-SVM) |
| 4.3 基于PCA-LSSVM的厌氧出水VFA软测量建模研究 |
| 4.3.1 基于PCA-LSSVM的VFA稳态软测量模型 |
| 4.3.2 基于PCA-LSSVM的出水VFA的动态软测量建模 |
| 4.4 基于PCA-LSSVM的COD软测量建模 |
| 4.4.1 基于PCA-LSSVM的COD稳态软测量模型 |
| 4.4.2 基于PCA-LSSVM的动态COD软测量模型 |
| 4.5 本章小结 |
| 结论与展望 |
| 参考文献 |
| 附录1 VFA稳态建模数据 |
| 附录2 COD稳态建模数据 |
| 攻读硕士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
（10）基于过程数据的建模方法研究及应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 选题背景及其意义 |
| 1.2 过程数据建模的基本原理和概念 |
| 1.2.1 基于过程数据建模的基本原理 |
| 1.2.2 基于过程数据建模的基本概念 |
| 1.3 过程数据建模的主要方法 |
| 1.3.1 基于统计学的方法 |
| 1.3.2 基于机器学习的方法 |
| 1.4 过程数据建模的发展状况 |
| 1.5 论文的主要内容和结构安排 |
| 第2章 过程数据特性分析及预处理方法 |
| 2.1 引言 |
| 2.2 过程数据特性分析 |
| 2.2.1 试验数据 |
| 2.2.2 历史运行数据 |
| 2.3 历史运行数据的清洗 |
| 2.3.1 离群点检测 |
| 2.3.2 数据的校正 |
| 2.4 数据标准化 |
| 2.4.1 Min-Max标准化 |
| 2.4.2 Z-score标准化 |
| 2.5 数据降维 |
| 2.5.1 特征提取 |
| 2.5.2 特征选择 |
| 2.6 基于PLS的变量选择方法 |
| 2.6.1 变量投影的重要性分析 |
| 2.6.2 实例分析 |
| 2.7 本章小结 |
| 第3章 基于分段曲线拟合的稳态工况检测方法 |
| 3.1 引言 |
| 3.1.1 稳态工况检测的基本意义 |
| 3.1.2 稳态工况的定义 |
| 3.1.3 稳态工况检测方法回顾 |
| 3.2 分段最小二乘曲线拟合方法 |
| 3.2.1 多项式最小二乘拟合 |
| 3.2.2 分段曲线拟合方法 |
| 3.3 单变量稳态工况检测方法 |
| 3.3.1 稳态工况检测准则 |
| 3.3.2 阈值的确定方法 |
| 3.3.3 数值仿真 |
| 3.4 系统的稳态工况检测 |
| 3.4.1 系统稳态的检测准则 |
| 3.4.2 系统稳态检测的延迟修正 |
| 3.5 稳态工况检测的工程应用 |
| 3.5.1 给水流量的稳态工况检测 |
| 3.5.2 多变量系统的稳态工况检测 |
| 3.6 本章小结 |
| 第4章 基于内部LSSVM的非线性PLS建模方法 |
| 4.1 引言 |
| 4.2 基于LSSVM的非线性PLS(LSSVMPLS)模型 |
| 4.2.1 单变量PLS算法思想 |
| 4.2.2 内部LSSVM非线性映射 |
| 4.2.3 LSSVMPLS模型算法 |
| 4.3 PH中和的BENCHMARK过程仿真 |
| 4.3.1 正交试验设计 |
| 4.3.2 模型构建与对比 |
| 4.3.3 结果分析与讨论 |
| 4.4 NOx排放的LSSVMPLS建模 |
| 4.4.1 NOx排放影响因素分析 |
| 4.4.2 NOx排放模型构建 |
| 4.5 本章小结 |
| 第5章 基于LSSVM集成学习的建模方法 |
| 5.1 引言 |
| 5.1.1 集成学习模型及其优点 |
| 5.1.2 集成学习模型构建方法 |
| 5.1.3 支持向量机集成模型回顾 |
| 5.2 LSSVM集成学习(SFLPE)模型 |
| 5.2.1 传统FCM算法 |
| 5.2.2 SFCM空间划分 |
| 5.2.3 个体LSSVM模型 |
| 5.2.4 SFLPE模型构建 |
| 5.3 NOx排放的SFLPE建模 |
| 5.3.1 电站锅炉介绍和数据准备 |
| 5.3.2 NOx排放模型构建 |
| 5.3.3 结果分析和对比 |
| 5.4 本章小结 |
| 第6章 LSSVM集成学习模型的更新策略 |
| 6.1 引言 |
| 6.1.1 模型更新的意义 |
| 6.1.2 常用模型更新方法 |
| 6.2 过程变化和样本更新 |
| 6.3 个体LSSVM增量算法 |
| 6.3.1 删除旧样本 |
| 6.3.2 增加新样本 |
| 6.4 模型更新策略 |
| 6.4.1 更新策略选择准则 |
| 6.4.2 模型更新时序 |
| 6.4.3 模型更新的具体步骤 |
| 6.5 数值仿真及工程应用 |
| 6.5.1 单模型更新策略验证 |
| 6.5.2 NOx排放的SFLPE模型更新 |
| 6.6 本章小结 |
| 第7章 结论与展望 |
| 7.1 结论 |
| 7.2 展望 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其它成果 |
| 攻读博士学位期间参加的科研工作 |
| 致谢 |
| 作者简介 |
四、主成分回归在中药过程软测量中的应用研究（论文参考文献）
- [1]石脑油裂解制乙烯过程中软测量方法研究与应用[D]. 顾俊发. 北京化工大学, 2021
- [2]污水处理非稳态特性下核建模方法关键问题的研究[D]. 吴菁. 华南理工大学, 2020(01)
- [3]谷氨酸发酵过程的软测量建模研究[D]. 郑蓉建. 江南大学, 2020(01)
- [4]基于高阶特征模态识别的多工况软测量建模[D]. 任超. 太原理工大学, 2020(07)
- [5]基于协同训练的半监督异构自适应软测量建模方法的研究[J]. 李东,黄道平,刘乙奇. 化工学报, 2020(05)
- [6]近红外光谱和紫外-可见漫反射光谱结合化学计量学对三七及其相似品的鉴别及掺伪定量研究[D]. 王靖. 天津工业大学, 2020(02)
- [7]双支持向量回归在铝电解槽温软测量的应用[D]. 李涛. 重庆邮电大学, 2018(01)
- [8]SCR反应器入口NOx含量的软测量方法研究[D]. 郝兆平. 华北电力大学, 2017(03)
- [9]基于LS-SVM的厌氧发酵过程软测量建模研究[D]. 刘博. 华南理工大学, 2015(12)
- [10]基于过程数据的建模方法研究及应用[D]. 吕游. 华北电力大学, 2014(12)