偏最小二乘方法及其在工業(yè)過(guò)程數(shù)據(jù)處理中的應(yīng)用

第1章 緒論
1．1 引言
1．2 研究背景與意義
1．3 偏最小二乘方法描述
1．4 偏最小二乘方法的研究現(xiàn)狀
1．4．1 基于PLS的線性回歸研究現(xiàn)狀
1．4．2 基于PLS的統(tǒng)計(jì)建模、故障監(jiān)測(cè)研究現(xiàn)狀
1．4．3 基于PLS的質(zhì)量變量預(yù)測(cè)研究現(xiàn)狀
1．4．4 非線性PLS的研究與發(fā)展
1．5 全書(shū)概況
參考文獻(xiàn)
第2章 基于PLS的工業(yè)過(guò)程線性回歸分析
2．1 引言
2．2 PLS原理基石：MLR與PCR
2．2．1 多元線性回歸MLR
2．2．2 主成分回歸PCR
2．3 單變量偏最小二乘回歸
2．3．1 算法推導(dǎo)
2．3．2 基本性質(zhì)
2．3．3 交叉有效性
2．4 多變量偏最小二乘回歸
2．4．1 算法推導(dǎo)
2．4．2 基本性質(zhì)
2．4．3 交叉有效性
2．4．4 工業(yè)過(guò)程中PLS質(zhì)量預(yù)測(cè)模型
2．5 PLS與PCR比較
2．6 典型間歇過(guò)程——青霉素發(fā)酵過(guò)程案例研究
2．6．1 間歇過(guò)程及其數(shù)據(jù)預(yù)處理
2．6．2 青霉素發(fā)酵仿真ping臺(tái)介紹
2．6．3 基于MPLS的青霉素發(fā)酵過(guò)程質(zhì)量預(yù)測(cè)
2．7 結(jié)束語(yǔ)
參考文獻(xiàn)
第3章 基于PLS的工業(yè)過(guò)程統(tǒng)計(jì)建模與故障監(jiān)測(cè)
3．1 引言
3．2 工業(yè)過(guò)程數(shù)據(jù)分析的問(wèn)題描述
3．3 基于PLS的工業(yè)過(guò)程統(tǒng)計(jì)建模
3．3．1 偏最小二乘算法的基本原理
3．3．2 基于PLS模型的方法
3．3．3 基于PLS 擴(kuò)展模型的方法
3．4 基于PLS的工業(yè)過(guò)程故障監(jiān)測(cè)
3．4．1 PLS主元個(gè)數(shù)確定
3．4．2 基于PLS多變量統(tǒng)計(jì)過(guò)程檢測(cè)圖
3．4．3 基于PLS過(guò)程監(jiān)測(cè)步驟
3．5 PLS用于過(guò)程監(jiān)測(cè)時(shí)的幾何特性分析
3．6 基于PCA和PLS的過(guò)程監(jiān)測(cè)算法區(qū)別與聯(lián)系
3．6．1 基于PLS方法統(tǒng)計(jì)建模與PCA的比較
3．6．2 PLS過(guò)程監(jiān)測(cè)與PCA的比較
3．7 案例研究
3．7．1 數(shù)值仿真研究
3．7．2 TE過(guò)程案例研究
3．7．3 發(fā)酵過(guò)程監(jiān)測(cè)案例研究
3．8 結(jié)束語(yǔ)
參考文獻(xiàn)
第4章 基于PLS的工業(yè)過(guò)程質(zhì)量預(yù)測(cè)建模
4．1 引言
4．2 質(zhì)量預(yù)測(cè)問(wèn)題描述
4．3 基于PLS的質(zhì)量預(yù)測(cè)算法
4．3．1 基于PLS的質(zhì)量預(yù)測(cè)算法簡(jiǎn)介
4．3．2 過(guò)程變量與質(zhì)量變量的相關(guān)關(guān)系分析
4．3．3 過(guò)程變量在解釋質(zhì)量變量方面的作用
4．3．4 對(duì)成分的解釋
4．3．5 正交信號(hào)修正方法
4．3．6 質(zhì)量預(yù)測(cè)算法步驟
4．3．7 基于多階段劃分的質(zhì)量預(yù)測(cè)
4．4 工業(yè)過(guò)程案例研究
4．4．1 Pensim發(fā)酵ping臺(tái)仿真實(shí)驗(yàn)
4．4．2 某制藥廠大腸桿菌發(fā)酵過(guò)程現(xiàn)場(chǎng)實(shí)驗(yàn)
4．5 結(jié)束語(yǔ)
參考文獻(xiàn)
第5章 基于核映射的非線性偏最小二乘方法
5．1 引言
5．2 傳統(tǒng)KPLS算法描述
5．2．1 核映射過(guò)程
5．2．2 KPLS算法
5．2．3 核函數(shù)選擇
5．3 一種新的基于小波核的KPLS算法
5．3．1 多維張量積小波核函數(shù)的推導(dǎo)及有效性證明
5．3．2 數(shù)值例證明Morlet小波核函數(shù)有效性
5．3．3 基于Morlet小波核的KPLS在非線性混沌系統(tǒng)擬合中的驗(yàn)證
5．4 基于KPLS的工業(yè)過(guò)程故障監(jiān)測(cè)與質(zhì)量預(yù)測(cè)
5．4．1 監(jiān)控統(tǒng)計(jì)量的確定
5．4．2 基于KPLS的過(guò)程監(jiān)測(cè)及質(zhì)量預(yù)測(cè)步驟
5．5 工業(yè)案例應(yīng)用
5．5．1 大腸桿菌發(fā)酵過(guò)程
5．5．2 基于KPLS對(duì)發(fā)酵過(guò)程的質(zhì)量預(yù)測(cè)
5．5．3 基于KPLS對(duì)發(fā)酵過(guò)程的故障監(jiān)測(cè)
5．6 結(jié)束語(yǔ)
參考文獻(xiàn)
第6章 基于約化雙核PLS的非線性過(guò)程質(zhì)量預(yù)測(cè)
6．1 引言
6．2 PLS的雙核結(jié)構(gòu)提出與討論
6．3 約化雙核PLS算法
6．3．1 核技巧的特征向量提取方法
6．3．2 針對(duì)核方法的參數(shù)調(diào)節(jié)優(yōu)化
6．3．3 質(zhì)量數(shù)據(jù)的投影及其特征提取
6．3．4 高維核空間數(shù)據(jù)的逆向還原算法
6．4 案例研究
6．4．1 數(shù)值例Ⅰ
6．4．2 數(shù)值例Ⅱ
6．4．3 大腸桿菌實(shí)驗(yàn)ping臺(tái)
6．4．4 分析與討論
6．5 結(jié)束語(yǔ)
參考文獻(xiàn)
第7章 基于JITL-PLS統(tǒng)計(jì)模型動(dòng)態(tài)更新
7．1 引言
7．2 工業(yè)數(shù)據(jù)的動(dòng)態(tài)JITL局部樣本選擇
7．2．1 局部建模策略優(yōu)勢(shì)
7．2．2 即時(shí)學(xué)習(xí)（JITL）局部模型選取方法
7．2．3 對(duì)JITL模型樣本容量閾值的討論
7．2．4 動(dòng)態(tài)JITL樣本選擇
7．3 基于JITL-PLS的工業(yè)過(guò)程在線監(jiān)測(cè)
7．3．1 基于PLS回歸殘差的模型更新機(jī)制
7．3．2 基于改進(jìn)即時(shí)學(xué)習(xí)策略的工業(yè)過(guò)程在線監(jiān)測(cè)
7．3．3 回歸殘差更新機(jī)制實(shí)驗(yàn)
7．3．4 青霉素發(fā)酵過(guò)程仿真實(shí)驗(yàn)
7．4 基于JITL-PLS的工業(yè)過(guò)程質(zhì)量預(yù)測(cè)
7．4．1 一種新的預(yù)測(cè)效果度量指標(biāo)：預(yù)測(cè)標(biāo)準(zhǔn)差
7．4．2 算法總體流程
7．4．3 青霉素實(shí)驗(yàn)ping臺(tái)實(shí)驗(yàn)設(shè)計(jì)
7．4．4 實(shí)驗(yàn)結(jié)果分析
7．5 結(jié)束語(yǔ)
參考文獻(xiàn)
第8章 基于核熵PLS（KEPLS）的工業(yè)過(guò)程質(zhì)量預(yù)測(cè)與控制
8．1 引言
8．2 核熵PLS算法原理
8．3 基于KEPLS的工業(yè)過(guò)程質(zhì)量監(jiān)控與預(yù)警
8．3．1 改進(jìn)的特征采樣（IFS）算法
8．3．2 基于IFS-KEPLS的過(guò)程監(jiān)測(cè)以及質(zhì)量預(yù)測(cè)步驟
8．3．3 KEPLS算法和KPLS算法實(shí)驗(yàn)結(jié)果比較分析
8．4 基于KEPLS的工業(yè)過(guò)程質(zhì)量控制
8．4．1 標(biāo)準(zhǔn)向量核空間貢獻(xiàn)圖（SV-KCD）方法
8．4．2 SV-KCD與KEPLS相結(jié)合的過(guò)程質(zhì)量控制算法描述
8．5 案例研究
8．5．1 SV-KEPLS方法在大腸桿菌發(fā)酵過(guò)程中的應(yīng)用
8．5．2 質(zhì)量預(yù)測(cè)仿真
8．5．3 基于SV-KEPLS的質(zhì)量控制的仿真
8．6 結(jié)束語(yǔ)
參考文獻(xiàn)