第1章 緒論001～014 1.1丙烯聚合工業介紹002 1.1.1聚丙烯及其熔融指數002 1.1.2現代聚丙烯工藝004 1.2過程建模005 1.2.1建模對象過程介紹005 1.2.2聚丙烯生產工藝流程及裝置006 1.2.3建模變量的確定008 1.3研究現狀010 1.3.1基于線性統計理論的預測模型010 1.3.2基于智能理論的預測模型011 1.3.3基于非線性理論的預測模型012 1.4研究難點012 思考題014 第2章 機理模型015～053 2.1丙烯聚合機理模型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丙烯聚合反應的動力學021 2.3單粒子增長模型025 2.3.1改進的單粒子模型的建立028 2.3.2CSA基本思想034 2.3.3模型結果與分析036 2.4聚丙烯反應器模型041 2.4.1聚丙烯生產過程建模的主要困難041 2.4.2反應機理的簡化及其反應動力學042 2.4.3模型求解步驟047 2.4.4反應動力學參數的確定048 2.4.5模型參數在線自動校正050 2.4.6模型運行結果分析051 本章小結052 思考題053 第3章 數據驅動方法054～074 3.1統計學習理論基本概念056 3.1.1 小化期望風險的準則057 3.1.2建立有用預測變量的規則059 3.2常用統計學習方法061 3.2.1統計分析061 3.2.2NNs063 3.2.3支持向量機068 3.2.4混沌072 3.2.5半監督073 本章小結073 思考題074 第4章 神經網絡075～094 4.1人工神經網絡介紹076 4.1.1人工神經網絡的發展077 4.1.2人工神經網絡的基本功能079 4.1.3人工神經網絡的優缺點080 4.2PCA-RBF神經網絡模型的建立081 4.2.1RBF神經網絡方法081 4.2.2結構原理082 4.2.3RBF神經網絡與BP神經網絡的比較083 4.3主元分析法084 4.3.1問題的提出085 4.3.2多維推廣086 4.3.3貢獻率和累積貢獻率088 4.4PCA-RBF神經網絡模型在MI預報中的應用089 4.4.1過程變量的確定及建模數據的采集089 4.4.2MI預報的PCA-RBF神經網絡建模090 4.4.3仿真結果與分析091 本章小結094 思考題094 第5章 支持向量機095～116 5.1支持向量機簡介096 5.1.1支持向量分類機096 5.1.2支持向量回歸機099 5.2支持向量機理論102 5.2.1SVM非線性回歸原理103 5.2.2 小二乘支持向量機106 5.2.3加權 小二乘支持向量機107 5.2.4相關向量機108 5.2.5相關向量機的基本理論108 5.2.6相關向量機模型基本原理109 5.3SVM在聚丙烯熔融指數預報中的應用111 5.3.1過程數據及其預處理111 5.3.2模型性能比較112 本章小結115 思考題115 第6章 模糊理論117～131 6.1模糊神經網絡介紹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122 6.2模糊神經網絡介紹123 6.3模糊神經網絡在熔融指數軟測量中的應用分析126 本章小結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混沌理論的發展133 7.1.2混沌的定義135 7.1.3典型混沌時間序列136 7.2混沌時間序列預測的研究現狀139 7.3時間序列的混沌特性識別研究141 7.3.1平穩性分析141 7.3.2非線性檢驗143 7.3.3相空間重構144 7.3.4關聯維數147 7.3.5Lyapunov指數148 7.3.6Kolmogorov熵150 7.4熔融指數時間序列的混沌特性分析151 7.4.1平穩性分析151 7.4.2非線性檢驗151 7.4.3相空間重構151 7.5基于FWNN的熔融指數混沌預報研究156 7.5.1小波神經網絡簡介156 7.5.2模糊小波神經網絡158 7.5.3網絡學習算法160 7.5.4基于FWNN的熔融指數混沌預報模型165 7.6實例驗證168 本章小結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組合預測研究174 8.1.1小波變換174 8.1.2經驗模態分解176 8.2熔融指數時間序列的多尺度分析178 8.2.1小波分解與經驗模態分解的結果分析與比較178 8.2.2對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組合預測模型185 8.3.1組合預測方法185 8.3.2基于多尺度分析的熔融指數組合預測模型186 8.4實例驗證187 本章小結190 思考題191 第9章 半監督192～205 9.1基于核密度估計的稀疏貝葉斯半監督回歸194 9.2基于KDSBSR的熔融指數預報模型198 9.3實例驗證200 9.3.1不同熔融指數標簽采樣率下KDSBSR模型預報效果考察200 9.3.2不同半監督模型預報性能對比研究202 本章小結205 思考題205 0章 群智能206～222 10.1基于ACO算法模型優化研究207 10.1.1ACO算法介紹207 10.1.2ACO算法優化D-FNN參數209 10.1.3自適應ACO算法優化D-FNN參數211 10.1.4ACO算法優化效果分析212 10.2基于PSO算法模型優化研究215 10.2.1PSO-D-FNN優化模型215 10.2.2混沌GA/PSO優化模型216 10.2.3PSO算法優化效果分析219 本章小結222 思考題222 參考文獻223 圖索引239 表索引243