軟測量技術(shù)原理與應用

前言
第1章 軟測量技術(shù)概述
1.1 軟測量技術(shù)
1.1.1 軟測量的輔助變量選擇
1.1.2 軟測量的數(shù)據(jù)選擇與處理
1.1.3 軟測量的模型辨識與驗證
1.2 建模的目的和基本方法
1.2.1 建立數(shù)學模型的主要目的
1.2.2 建立模型的基本方法
1.3 小波分析及其應用
1.4 多變量統(tǒng)計建模方法及其在軟測量中的應用
1.4.1 相關(guān)分析和回歸分析
1.4.2 主元分析法
1.4.3 部分最小二乘法
1.5 建模與系統(tǒng)辨識
1.6 人工神經(jīng)網(wǎng)絡及其應用
1.7 優(yōu)化算法及其在軟測量技術(shù)中的應用
1.8 軟測量的實施
1.9 軟測量的在線校正
第2章 小波算法用于數(shù)據(jù)處理
2.1 傅里葉變換
2.2 小波變換
2.2.1 函數(shù)空間和廣義空間
2.2.2 小波變換原理
2.2.3 傅里葉變換、加窗傅里葉變換和小波變換的比較
2.3 一維連續(xù)小波變換
2.4 高維連續(xù)小波變換
2.5 一維離散小波變換
2.5.1 離散小波變換
2.5.2 二進制小波變換
2.6 多分辨分析
2.7 一維Mallat算法
2.8 提升小波變換
2.9 幾種常用的小波基函數(shù)
2.10 小波分析在信號處理中的應用
2.10.1 仿真信號
2.10.2 一維連續(xù)小波分析
2.10.3 一維離散小波分析
2.10.4 用小波分析進行信號的消噪
2.10.5 小波濾波的在線實現(xiàn)
2.10.6 用小波分析進行信號的奇異性檢測
2.10.7 用小波分析進行信號的壓縮
2.10.8 用小波分析進行信號的發(fā)展趨勢識別
2.10.9 用小波分析進行信號的抑制與衰減
2.10.10 用小波分析進行某頻率區(qū)間信號的識別
2.10.11 用小波分析進行信號的自相似性檢測
2 10 12 結(jié)論
2.10.13 Matlab程序
思考題與習題
第3章 多變量統(tǒng)計建模方法及其在軟測量中的應用
3.1 相關(guān)分析
3.1.1 相關(guān)系數(shù)計算公式
3.1.2 相關(guān)系數(shù)r的特點
3.1.3 判斷變量間相關(guān)程度的原則
3.l.4 線性化方法
3.1.5 現(xiàn)場數(shù)據(jù)的處理結(jié)果
3.2 多元統(tǒng)計回歸分析
3.2.1 多元線性回歸分析
3.2.2 F檢驗和t檢驗
3.2.3 在非線性系統(tǒng)中的應用
3.2.4 多元線性回歸方法的原理
3.2.5 多元線性回歸計算的主要參數(shù)
3.2.6 多元線性回歸方程的檢驗
3.2.7 多元線性回歸法的應用示例
3.2.8 噴射塔中S02吸收傳質(zhì)系數(shù)的軟測量
3.2.9 多元線性回歸程序說明及源程序
3.3 多元逐步回歸方法
3.3.1 逐步回歸法的概念
3.3.2 多元逐步回歸方法計算步驟
3.3.3 逐步回歸法存在的問題
3.3.4 應用示例
3.3.5 逐步回歸程序說明及源程序
3.4 主元分析法
3.4.1 概述
3.4.2 主元分析方法
3.4.3 NIPALS方法
3.4.4 主元的主要性質(zhì)
3.4.5 主元回歸方法
3.4.6 主元回歸方法程序說明及源程序
3.4.7 多尺度主元分析
3.4.8 遞推主元分析
3.4.9 協(xié)方差矩陣的遞推求解
3.4.10 基于秩-1更新的遞推主元分析
3.4.11 更新主元個數(shù)與控制限
3.5 部分最小二乘法
3.5.1 概述
3.5.2 部分最小二乘回歸法原理
3.5.3 部分最小二乘回歸法的計算方法推導
3.5.4 部分最小_二乘回歸法的計算步驟
3.5.5 部分最小二乘回歸模型的檢驗
3.5.6 部分最小二乘回歸模型的性質(zhì)
3.5.7 部分最小二乘法PLS程序說明發(fā)源程序
3.5.8 正交信號修正的部分最小二乘法
3.5.9 應用示例
3.5.10 PLS與PCR的比較
3.5.11 部分最小二乘遞推算法
3.6 基于Chebyshev多項式的部分最小_乘法
3.6.1 Chebyshev多項式
3.6.2 基于Chebyshev多項式改進的非線性PLS方法
3.6.3 基于Chebyshev多項式改進的部分最小二乘算法程序說明及源程序
3.7 五種建模方法比較
思考題和習題
第4章 系統(tǒng)辨識及其在軟測量技術(shù)中的應用
4.1 建立數(shù)學模型的方法
4.1.1 概述
4.1.2 辨識建模
4.2 最小二乘法
4.2.1 模型結(jié)構(gòu)
4.2.2 最小二乘格式
4.2.3 最小二乘法的解
4.3 最小二乘參數(shù)估計的遞推算法
4.4 小二乘法的遺忘因子法
4.4.1 “數(shù)據(jù)飽和”現(xiàn)象
4.4.2 最小二乘遺忘因子法的一次完成算法
4.4.3 最小二乘遺忘因子法的遞推算法
4.5 按模型階次增加的遞推算法
4.6 增廣最小二乘法
4 6 1 增廣最小二乘法的一次完成法
4.6.2 增廣最小二乘法的遞推算法
4.7 廣義最小二乘法
4.7.1 廣義最小二乘法的一次完成法
4.7.2 廣義最小二乘法的遞推算法
4.8 多步最小二乘法
4.8.1 估計權(quán)序列
4.8.2 估計模型的參數(shù)
4.8.3 噪聲模型參數(shù)的估計
4.9 各種最小二乘法的比較
4.10 傳遞函數(shù)模型辨識
4.10.1 閉環(huán)系統(tǒng)辨識方法
4.10.2 NLJ優(yōu)化算法
4.10.3 MPSEIVI方法對象模型辨識的求解過程
思考題與習題
第5章 化學反應器的機理模型
5.1 混合理想的釜式反應器
5.1.1 一級反應
5.1.2 平衡反應
5.2 混合理想的級聯(lián)反應器系列
5.3 容量可變、混合理想的等溫釜式反應器的動態(tài)特性
5.4 容量可變、混合理想的等溫釜式反應器的調(diào)節(jié)
5.5 處于絕熱狀態(tài)下的固定床催化反應器
5.5.1 模型方程
5.5.2 靜態(tài)特性
5.5.3 動態(tài)特性
5.5.4 信息流圖
5.5.5 穩(wěn)定條件
5.6 有冷卻的混合理想反應器
5.7 通過調(diào)整冷卻水流量控制反麻器實例
5.8 實例
5.8.1 實例l：反應器的溫度調(diào)節(jié)
5.8.2 實例2：丙烯水合反應器的優(yōu)化控制
5.8.3 實例3：聚丙烯腈工序質(zhì)量指標的軟測量技術(shù)
思考題與習題
第6章 人工神經(jīng)網(wǎng)絡理論及其在建模中的應用
第7章 優(yōu)化算法及其在軟測量技術(shù)中的應用
附錄A F分布值表
附錄B t分布表
參考文獻