软测量技术原理与应用PDF|Epub|txt|kindle电子书版本网盘下载

软测量技术原理与应用PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 软测量技术概述1

1.1 软测量技术1

1.1.1 软测量的辅助变量选择1

1.1.2 软测量的数据选择与处理2

1.1.3 软测量的模型辨识与验证2

1.2 建模的目的和基本方法3

1.2.1 建立数学模型的主要目的3

1.2.2 建立模型的基本方法3

1.3 小波分析及其应用4

1.4 多变量统计建模方法及其在软测量中的应用5

1.4.1 相关分析和回归分析5

1.4.2 主元分析法6

1.4.3 部分最小二乘法6

1.5 建模与系统辨识6

1.6 人工神经网络及其应用7

1.7 优化算法及其在软测量技术中的应用8

1.8 软测量的实施9

1.9 软测量的在线校正9

第2章 小波算法用于数据处理10

2.1 傅里叶变换10

2.2 小波变换13

2.2.1 函数空间和广义空间14

2.2.2 小波变换原理14

2.2.3 傅里叶变换、加窗傅里叶变换和小波变换的比较16

2.3 一维连续小波变换18

2.4 高维连续小波变换20

2.5 一维离散小波变换20

2.5.1 离散小波变换20

2.5.2 二进制小波变换21

2.6 多分辨分析22

2.7 一维Mallat算法26

2.8 提升小波变换27

2.9 几种常用的小波基函数30

2.10 小波分析在信号处理中的应用34

2.10.1 仿真信号34

2.10.2 一维连续小波分析35

2.10.3 一维离散小波分析35

2.10.4 用小波分析进行信号的消噪37

2.10.5 小波滤波的在线实现43

2.10.6 用小波分析进行信号的奇异性检测45

2.10.7 用小波分析进行信号的压缩47

2.10.8 用小波分析进行信号的发展趋势识别47

2.10.9 用小波分析进行信号的抑制与衰减48

2.10.10 用小波分析进行某频率区间信号的识别49

2.10.11 用小波分析进行信号的自相似性检测50

2.10.12 结论51

2.10.13 Matlab程序51

思考题与习题78

第3章 多变量统计建模方法及其在软测量中的应用80

3.1 相关分析80

3.1.1 相关系数计算公式81

3.1.2 相关系数r的特点81

3.1.3 判断变量间相关程度的原则81

3.1.4 线性化方法81

3.1.5 现场数据的处理结果82

3.2 多元统计回归分析83

3.2.1 多元线性回归分析83

3.2.2 F检验和t检验84

3.2.3 在非线性系统中的应用86

3.2.4 多元线性回归方法的原理86

3.2.5 多元线性回归计算的主要参数87

3.2.6 多元线性回归方程的检验87

3.2.7 多元线性回归法的应用示例88

3.2.8 喷射塔中SO2吸收传质系数的软测量89

3.2.9 多元线性回归程序说明及源程序92

3.3 多元逐步回归方法96

3.3.1 逐步回归法的概念96

3.3.2 多元逐步回归方法计算步骤98

3.3.3 逐步回归法存在的问题100

3.3.4 应用示例100

3.3.5 逐步回归程序说明及源程序101

3.4 主元分析法106

3.4.1 概述106

3.4.2 主元分析方法107

3.4.3 NIPALS方法108

3.4.4 主元的主要性质108

3.4.5 主元回归方法109

3.4.6 主元回归方法程序说明及源程序110

3.4.7 多尺度主元分析115

3.4.8 递推主元分析117

3.4.9 协方差矩阵的递推求解118

3.4.10 基于秩-1更新的递推主元分析120

3.4.11 更新主元个数与控制限123

3.5 部分最小二乘法123

3.5.1 概述123

3.5.2 部分最小二乘回归法原理124

3.5.3 部分最小二乘回归法的计算方法推导126

3.5.4 部分最小二乘回归法的计算步骤129

3.5.5 部分最小二乘回归模型的检验130

3.5.6 部分最小二乘回归模型的性质131

3.5.7 部分最小二乘法PLS程序说明及源程序131

3.5.8 正交信号修正的部分最小二乘法136

3.5.9 应用示例138

3.5.10 PLS与PCR的比较139

3.5.11 部分最小二乘递推算法141

3.6 基于Chebyshev多项式的部分最小二乘法143

3.6.1 Chebyshev多项式143

3.6.2 基于Chebyshev多项式改进的非线性PLS方法143

3.6.3 基于Chebyshev多项式改进的部分最小二乘算法程序说明及源程序144

3.7 五种建模方法比较152

思考题和习题155

第4章 系统辨识及其在软测量技术中的应用156

4.1 建立数学模型的方法156

4.1.1 概述156

4.1.2 辨识建模157

4.2 最小二乘法158

4.2.1 模型结构159

4.2.2 最小二乘格式161

4.2.3 最小二乘法的解163

4.3 最小二乘参数估计的递推算法173

4.4 最小二乘法的遗忘因子法178

4.4.1 “数据饱和”现象178

4.4.2 最小二乘遗忘因子法的一次完成算法179

4.4.3 最小二乘遗忘因子法的递推算法179

4.5 按模型阶次增加的递推算法182

4.6 增广最小二乘法214

4.6.1 增广最小二乘法的一次完成法215

4.6.2 增广最小二乘法的递推算法216

4.7 广义最小二乘法219

4.7.1 广义最小二乘法的一次完成法220

4.7.2 广义最小二乘法的递推算法225

4.8 多步最小二乘法229

4.8.1 估计权序列230

4.8.2 估计模型的参数230

4.8.3 噪声模型参数的估计230

4.9 各种最小二乘法的比较235

4.10 传递函数模型辨识236

4.10.1 闭环系统辨识方法236

4.10.2 NLJ优化算法237

4.10.3 MPSEIVI方法对象模型辨识的求解过程239

思考题与习题242

第5章 化学反应器的机理模型243

5.1 混合理想的釜式反应器243

5.1.1 一级反应244

5.1.2 平衡反应245

5.2 混合理想的级联反应器系列246

5.3 容量可变、混合理想的等温釜式反应器的动态特性248

5.4 容量可变、混合理想的等温釜式反应器的调节249

5.5 处于绝热状态下的固定床催化反应器251

5.5.1 模型方程251

5.5.2 静态特性252

5.5.3 动态特性253

5.5.4 信息流图254

5.5.5 稳定条件255

5.6 有冷却的混合理想反应器256

5.7 通过调整冷却水流量控制反应器257

5.8 实例259

5.8.1 实例1：反应器的温度调节259

5.8.2 实例2：丙烯水合反应器的优化控制262

5.8.3 实例3：聚丙烯腈工序质量指标的软测量技术265

思考题与习题267

第6章 人工神经网络理论及其在建模中的应用268

6.1 人工神经网络268

6.2 BP神经网络及其应用270

6.2.1 BP网络结构270

6.2.2 BP算法271

6.2.3 BP算法的软件实现273

6.2.4 BP算法的性能和问题273

6.2.5 BP网络的应用274

6.2.6 例子274

6.3 RBF神经网络及其应用275

6.3.1 RBF网络结构及工作过程275

6.3.2 RBF网络的学习方法277

6.3.3 RBF网络的算法282

6.3.4 用RBF神经网络建立系统模型285

6.3.5 RBF网络的编程实现287

6.3.6 用RBF网络建立油品黏度和闪点的软仪表模型287

6.3.7 乙醛氧化制醋酸氧化塔收率软仪表的RBF模型290

6.3.8 用多神经网络提高软测量性能292

6.4 用PCA-RBFN建立可侦破故障的反应器自校正模型294

6.4.1 概述294

6.4.2 PCA-RBFN自校正模型294

6.4.3 用PCA-ANN建立可侦破故障的反应器自校正模型296

6.4.4 结论297

6.5 B样条神经网络297

6.5.1 B样条函数的构成及其性质297

6.5.2 B样条神经网络299

6.5.3 B样条网络的性质300

6.5.4 B样条网络的训练300

6.5.5 建立聚合反应分子量分布静态模型300

6.7 用支持向量机构建软仪表305

6.7.1 概述305

6.7.2 最小二乘支持向量机算法306

6.7.3 床层温度拟定态模型307

思考题与习题309

第7章 优化算法及其在软测量技术中的应用310

7.1 概述310

7.1.1 遗传算法310

7.1.2 粒子群算法311

7.1.3 蚁群算法311

7.1.4 群智能的特点和优点312

7.2 遗传算法312

7.2.1 基本遗传算法312

7.2.2 自适应遗传算法314

7.2.3 实数编码遗传算法与优化分布交叉操作318

7.2.4 遗传算法用于模型优化324

7.3 粒子群优化算法327

7.3.1 PSO算法基本原理327

7.3.2 PSO算法的改进329

7.3.3 PSO算法的发展330

7.3.4 离散三群粒子群优化算法332

7.3.5 工业现场的软测量应用334

7.4 蚁群算法的基本原理337

7.4.1 蚁群算法概述337

7.4.2 蚁群算法的基本原理339

7.4.3 蚁群算法基本模型的改进技术342

7.4.4 蚁群算法在连续优化问题中的应用344

7.4.5 蚁群算法在重油热裂解模型参数估计中的应用346

7.4.6 尚需深入研究的问题346

思考题与习题347

附录A F分布值表348

附录B t分布表349

参考文献350