第1章 緒論001～014
1.1丙烯聚合工業(yè)介紹002
1.1.1聚丙烯及其熔融指數(shù)002
1.1.2現(xiàn)代聚丙烯工藝004
1.2過(guò)程建模005
1.2.1建模對(duì)象過(guò)程介紹005
1.2.2聚丙烯生產(chǎn)工藝流程及裝置006
1.2.3建模變量的確定008
1.3研究現(xiàn)狀010
1.3.1基于線性統(tǒng)計(jì)理論的預(yù)測(cè)模型010
1.3.2基于智能理論的預(yù)測(cè)模型011
1.3.3基于非線性理論的預(yù)測(cè)模型012
1.4研究難點(diǎn)012
思考題014

第2章 機(jī)理模型015～053
2.1丙烯聚合機(jī)理模型017
2.1.1微觀尺度模型018
2.1.2介觀尺度模型019
2.1.3宏觀尺度模型020
2.2丙烯聚合反應(yīng)的動(dòng)力學(xué)021
2.3單粒子增長(zhǎng)模型025
2.3.1改進(jìn)的單粒子模型的建立028
2.3.2CSA基本思想034
2.3.3模型結(jié)果與分析036
2.4聚丙烯反應(yīng)器模型041
2.4.1聚丙烯生產(chǎn)過(guò)程建模的主要困難041
2.4.2反應(yīng)機(jī)理的簡(jiǎn)化及其反應(yīng)動(dòng)力學(xué)042
2.4.3模型求解步驟047
2.4.4反應(yīng)動(dòng)力學(xué)參數(shù)的確定048
2.4.5模型參數(shù)在線自動(dòng)校正050
2.4.6模型運(yùn)行結(jié)果分析051
本章小結(jié)052
思考題053

第3章 數(shù)據(jù)驅(qū)動(dòng)方法054～074
3.1統(tǒng)計(jì)學(xué)習(xí)理論基本概念056
3.1.1最小化期望風(fēng)險(xiǎn)的準(zhǔn)則057
3.1.2建立有用預(yù)測(cè)變量的規(guī)則059
3.2常用統(tǒng)計(jì)學(xué)習(xí)方法061
3.2.1統(tǒng)計(jì)分析061
3.2.2NNs063
3.2.3支持向量機(jī)068
3.2.4混沌072
3.2.5半監(jiān)督073
本章小結(jié)073
思考題074

第4章 神經(jīng)網(wǎng)絡(luò)075～094
4.1人工神經(jīng)網(wǎng)絡(luò)介紹076
4.1.1人工神經(jīng)網(wǎng)絡(luò)的發(fā)展077
4.1.2人工神經(jīng)網(wǎng)絡(luò)的基本功能079
4.1.3人工神經(jīng)網(wǎng)絡(luò)的優(yōu)缺點(diǎn)080
4.2PCA-RBF神經(jīng)網(wǎng)絡(luò)模型的建立081
4.2.1RBF神經(jīng)網(wǎng)絡(luò)方法081
4.2.2結(jié)構(gòu)原理082
4.2.3RBF神經(jīng)網(wǎng)絡(luò)與BP神經(jīng)網(wǎng)絡(luò)的比較083
4.3主元分析法084
4.3.1問(wèn)題的提出085
4.3.2多維推廣086
4.3.3貢獻(xiàn)率和累積貢獻(xiàn)率088
4.4PCA-RBF神經(jīng)網(wǎng)絡(luò)模型在MI預(yù)報(bào)中的應(yīng)用089
4.4.1過(guò)程變量的確定及建模數(shù)據(jù)的采集089
4.4.2MI預(yù)報(bào)的PCA-RBF神經(jīng)網(wǎng)絡(luò)建模090
4.4.3仿真結(jié)果與分析091
本章小結(jié)094
思考題094

第5章 支持向量機(jī)095～116
5.1支持向量機(jī)簡(jiǎn)介096
5.1.1支持向量分類機(jī)096
5.1.2支持向量回歸機(jī)099
5.2支持向量機(jī)理論102
5.2.1SVM非線性回歸原理103
5.2.2最小二乘支持向量機(jī)106
5.2.3加權(quán)最小二乘支持向量機(jī)107
5.2.4相關(guān)向量機(jī)108
5.2.5相關(guān)向量機(jī)的基本理論108
5.2.6相關(guān)向量機(jī)模型基本原理109
5.3SVM在聚丙烯熔融指數(shù)預(yù)報(bào)中的應(yīng)用111
5.3.1過(guò)程數(shù)據(jù)及其預(yù)處理111
5.3.2模型性能比較112
本章小結(jié)115
思考題115

第6章 模糊理論117～131
6.1模糊神經(jīng)網(wǎng)絡(luò)介紹118
6.1.1模糊理論介紹118
6.1.2模糊集合119
6.1.3模糊理論的特點(diǎn)122
6.2模糊神經(jīng)網(wǎng)絡(luò)介紹123
6.3模糊神經(jīng)網(wǎng)絡(luò)在熔融指數(shù)軟測(cè)量中的應(yīng)用分析126
本章小結(jié)130
思考題131

第7章 混沌理論132～172
7.1混沌理論基本介紹133
7.1.1混沌理論的發(fā)展133
7.1.2混沌的定義135
7.1.3典型混沌時(shí)間序列136
7.2混沌時(shí)間序列預(yù)測(cè)的研究現(xiàn)狀139
7.3時(shí)間序列的混沌特性識(shí)別研究141
7.3.1平穩(wěn)性分析141
7.3.2非線性檢驗(yàn)143
7.3.3相空間重構(gòu)144
7.3.4關(guān)聯(lián)維數(shù)147
7.3.5Lyapunov指數(shù)148
7.3.6Kolmogorov熵150
7.4熔融指數(shù)時(shí)間序列的混沌特性分析151
7.4.1平穩(wěn)性分析151
7.4.2非線性檢驗(yàn)151
7.4.3相空間重構(gòu)151
7.5基于FWNN的熔融指數(shù)混沌預(yù)報(bào)研究156
7.5.1小波神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介156
7.5.2模糊小波神經(jīng)網(wǎng)絡(luò)158
7.5.3網(wǎng)絡(luò)學(xué)習(xí)算法160
7.5.4基于FWNN的熔融指數(shù)混沌預(yù)報(bào)模型165
7.6實(shí)例驗(yàn)證168
本章小結(jié)170
思考題172

第8章 多尺度173～191
8.1基于多尺度分析的熔融指數(shù)組合預(yù)測(cè)研究174
8.1.1小波變換174
8.1.2經(jīng)驗(yàn)?zāi)�態(tài)分解176
8.2熔融指數(shù)時(shí)間序列的多尺度分析178
8.2.1小波分解與經(jīng)驗(yàn)?zāi)�態(tài)分解的結(jié)果分析與比較178
8.2.2對(duì)分解序列的混沌特性分析180
8.3基于多尺度分析的熔融指數(shù)組合預(yù)測(cè)模型185
8.3.1組合預(yù)測(cè)方法185
8.3.2基于多尺度分析的熔融指數(shù)組合預(yù)測(cè)模型186
8.4實(shí)例驗(yàn)證187
本章小結(jié)190
思考題191

第9章 半監(jiān)督192～205
9.1基于核密度估計(jì)的稀疏貝葉斯半監(jiān)督回歸194
9.2基于KDSBSR的熔融指數(shù)預(yù)報(bào)模型198
9.3實(shí)例驗(yàn)證200
9.3.1不同熔融指數(shù)標(biāo)簽采樣率下KDSBSR模型預(yù)報(bào)效果考察200
9.3.2不同半監(jiān)督模型預(yù)報(bào)性能對(duì)比研究202
本章小結(jié)205
思考題205

第10章 群智能206～222
10.1基于ACO算法模型優(yōu)化研究207
10.1.1ACO算法介紹207
10.1.2ACO算法優(yōu)化D-FNN參數(shù)209
10.1.3自適應(yīng)ACO算法優(yōu)化D-FNN參數(shù)211
10.1.4ACO算法優(yōu)化效果分析212
10.2基于PSO算法模型優(yōu)化研究215
10.2.1PSO-D-FNN優(yōu)化模型215
10.2.2混沌GA/PSO優(yōu)化模型216
10.2.3PSO算法優(yōu)化效果分析219
本章小結(jié)222
思考題222

參考文獻(xiàn)223

圖索引239

表索引243