一、基于多神经网络模型的石脑油干点软测量（论文文献综述）
卢政印[1]（2021）在《基于深度学习的精馏过程质量参数软测量方法研究》文中指出石化产业是我国的重要支柱产业,精馏过程是石化生产过程中重要的操作单元,对精馏过程的优化操作和先进控制将降低生产能耗和提高产品质量。然而,精馏生产过程中的一些重要质量参数无法被直接测量,软测量技术研究为解决这一问题提供了一条途径。本文从精馏过程质量参数软测量建模方法的角度,研究了提高精馏过程质量参数软测量模型精度的相关问题。首先,建立了精馏过程的动态机理模型,对连续精馏过程及间歇精馏过程进行了仿真研究。根据连续精馏过程中各塔板组分的动态浓度曲线以及稳态时的浓度变化曲线可知,其进料流量与回流比对连续精馏的工业生产具有很大的影响,表明了变量选择对于后续实际精馏过程仿真建模的必要性。同样通过间歇精馏过程中各塔板的动态浓度曲线可知,其根据控制回流比来控制精馏过程的特点针对某些精馏过程中品种组分会产生变化的情况具有更好的适用性。其次,分别研究了BP神经网络、RBF神经网络以及SVM算法三种机器学习方法的基本原理,结合多核学习算法的优势,提出了一种混合核最小二乘支持向量机算法（MKLS-SVM）,采用MSE、RMSE、拟合优度作为评价指标来评价四种机器学习算法分别在非线性函数数据集以及噪声扰动下的连续精馏仿真数据集上的仿真实验表现,仿真结果表明在两个数据集上MKLS-SVM算法的效果是最好的,其性能优于其他三种算法。最后,针对噪声扰动较大的常减压精馏过程质量参数航空煤油的干点软测量问题,提出了一种基于LASSO和PSO-DBN神经网络结合的航空煤油干点软测量方法。首先采用LASSO变量选择方法选择辅助变量来剔除原始变量中对输出变量影响较小的辅助变量,之后选用DBN深度置信网络算法进行建模仿真,同时利用PSO算法优化DBN的结构参数,与BP神经网络、RBF神经网络、SVM算法、MKLS-SVM算法、DBN神经网络五种方法在精馏标称数据集以及工业精馏数据集上分别进行仿真实验对比,结果表明基于LASSO和PSO-DBN算法的软测量模型具有更高的精度,为精馏过程的优化操作和先进控制设计提供了研究基础。
朱哲熹[2]（2019）在《基于支持向量机的石脑油裂解制乙烯过程软测量建模研究》文中研究指明乙烯是化学工业重要基础产品,我国目前乙烯年产量达到1821.8万吨以上,占有国民经济中重要地位,蒸汽高温裂解法是石脑油裂解制取乙烯的主要工艺技术,世界乙烯产品的95%来源是来自蒸汽高温裂解法,是发展较完善、使用较广泛的裂解技术,乙烯裂解炉是实现这一技术的主要设备,但该方法存在能耗高、影响反应产物因素较多的缺点,需要确定最佳反应温度以提高产品收率和产品质量,因此对乙烯裂解炉运行参数进行实时测量,将有助于为寻找最优反应操作参数提供参考,及时、准确地获取石脑油裂解产物关键组分相对含量、炉管出口温度参数,是进行参数调控、产品质量优化的重要基础。而实际工业生产中采用人工采集分析方法存在分析时间滞后的问题,在线分析技术存在采购、维护成本高的缺点,因此采用基于历史数据的软测量技术能有效实现对未知数据实时预测。近年来,基于结构风险最小化原则提出的支持向量机（SVM）得到广泛应用,并发展出用于预测的支持向量回归机方法（SVR）它同传统线性机器学习方法偏最小二乘回归方法（PLS）相比,对化工过程这一高度非线性系统具有更好的学习能力,支持向量（Support Vector）和结构风险最小化（SRM）理念的应用使得SVM同另一广泛使用的非线性机器学习方法人工神经网络（ANN）相比具有良好的泛化性能和计算效率,能够及时、准确地进行模型学习和预测,具有很好的应用前景。将SVR方法应用到乙烯裂解生产过程实例中,实现乙烯裂解炉生产过程变量实时检测,应用结果表明所提出的SVR软测量方法具有优良的预测效果。主要研究内容概括如下:（1）研究软测量建模方法,从软测量技术分类、数据驱动软测量技术面临的几大问题挑战、软测量技术应用领域和几类典型软测量技术方法四个方面,综述了国内外软测量技术研究与应用情况。（2）在统计学习理论及支持向量机理论基础上,研究（ε）SVR方法,包括SVR方法的最新改进研究与应用,并建立基于参数优化的（ε）SVR软测量模型;进一步地建立一种基于移动窗技术的动态自适应支持向量回归（ADO-SVR）在线回归算法。（3）将研究建立的参数优化的SVR软测量模型应用于乙烯工厂生产实例中,对乙烯裂解炉使用历史监测数据建立软测量模型,验证所提出参数优化的SVR软测量模型的有效性。具体包括预测乙烯裂解炉产品组成以及预测乙烯裂解炉炉管各出口温度。在相同条件下,为进一步验证本文建立的软测量模型有效性,将预测结果与PLS与MLP-ANN方法进行对比,特别验证在较小学习样本情况下SVR软测量方法与其他软测量方法的预测效果,实验结果指出,本文方法在本案例研究中比PLS和MLP-ANN方法具有更好的学习能力和泛化能力,在小样本学习中优势更加明显。研究成果有效地实现了工厂实际生产中对过程变量软测量的需求,对优化工艺过程、提高企业经济效益具有重要意义。
倪健华,王静[3]（2018）在《基于MLCRBMs-ELM的软测量建模》文中研究说明针对辅助变量之间相关性差挖掘困难等问题,提出一种基于特征提取集和极限学习机（MLCRBMsELML）的软测量建模方法.该方法首先通过聚类算法对输入数据集进行属性簇划分.按结果将数据集分类后输入至MLCRBMs特征提取集中进行同步的特征提取,提取到的特征子集经Blending层进行非线性融合得到新特征集,并输入至极限学习机（ELM）进行拟合得到最后的估计结果.实验结果表明该方法优于传统的方法,具有更高的预测精度和泛化性能.
李荣强,李传坤,姜巍巍,王春利[4]（2017）在《软测量建模技术在常减压装置的研究与应用》文中研究指明针对常减压装置常压塔的过程数据存在多种不确定性,其软测量模型受多种因素的相互影响,普适性较差的问题,为了实现数据预处理,分别使用小波和盒图组合的算法进行基于单变量的异常识别、鲁棒偏最小二乘方法（RPLS）进行基于多变量的异常识别;运用网格搜索法对再采样间隔和最大滞后时间对模型性能的影响进行了研究。优选出最佳动态输入变量后,对比偏最小二乘（PLS）、人工神经网络（ANN）和支持向量机（SVM）等方法的软测量模型效果,优选最佳的建模方法。依据常减压工艺数据的特点,提出运用移动窗口的方法进行模型的在线更新,从而形成实用的常压塔顶石脑油干点软测量建模方法。经测试,该方法具有良好的准确性和普适性。
黄德先,江永亨,金以慧[5]（2017）在《炼油工业过程控制的研究现状、问题与展望》文中研究指明首先回顾了对炼油生产过程安全高效运行和节能增效至关重要的先进控制、软测量、运行优化技术的发展过程和研究应用现状,并从分析炼油生产过程的特点出发,讨论了实施先进控制中存在的问题,并推荐了解决炼油企业先进控制实施应用难题的一条可行有效的新路,最后对炼油生产过程智能制造的研究应用进行了展望.
罗凡[6]（2017）在《基于原油实时性质的常减压蒸馏装置数据处理和优化研究》文中进行了进一步梳理常减压蒸馏装置是炼化企业的关键装置,其蒸馏效果对本装置、下游的二次和三次加工装置以及整个炼化企业的效益影响很大。本文基于原油的实时性质,针对某大型企业的800万吨级常减压蒸馏装置的优化问题,进行了以下若干方面的研究:论文在第一章对课题的研究背景和意义、常减压蒸馏装置的工艺以及国内外研究现状进行了介绍后,第二章针对传统方法不能准确判断常减压蒸馏装置稳态工况这一问题,采用了多项式滤波去噪和自适应确定滑动窗口大小的方法对常减压蒸馏装置进行稳态工况的判别,并对该方法进行了现场测试。论文第三章首先针对近红外分析仪的检测精度会使原油快评数据产生一定的误差这一问题,研究了一种利用原油快评数据、组分跟踪数据和常炼原油数据进行相似度比较的原油性质数据校正方法。其次,针对原油实沸点蒸馏曲线与实际工况值存在差距的问题,利用流程模拟软件Petro-SIM对校正后的原油性质数据进行实沸点蒸馏曲线的校正。最后,针对化验数据频次较低导致数据缺失这一问题,研究了一种基于相似工况的化验数据补齐方法,利用相似工况判断参数确定工况相似度,结合原油相似度求取综合相似度,并对所述方法进行了实例验证。第四章针对减压塔侧线产品部分性质参数无法直接测量的问题,研究了一种减压塔软测量模型建立方法,采用了灵敏度分析和主成分分析方法确定模型的输入变量,基于多元线性回归方法建立软测量模型,并通过浅减一线油干点软测量模型的建立验证了该方法的有效性。论文第五章针对当前常减压蒸馏装置常二线和常三线分离度不理想这一问题,采用了 SQP优化算法,严格保证各侧线产品质量和装置操作参数在允许的范围内,选取常二线抽出量作为优化目标,常三线汽提蒸汽量、常顶抽出量、常压炉出口温度作为决策变量,基于Petro-SIM进行装置的操作优化。仿真结果表明当前常减压蒸馏装置在收率上仍具有较大的提升空间,并通过现场测试说明优化方案的准确可信。本文的研究成果,对常减压蒸馏装置的工程应用具有良好的指导意义和借鉴价值,将对常减压蒸馏装置的在线优化系统在我国炼化企业中的推广应用起到良好的促进作用。
蒋昕祎,杜红彬,李绍军[7]（2017）在《基于核慢特征回归与互信息的常压塔软测量建模》文中指出针对工业过程的非线性及动态特性,提出了一种新的慢特征回归软测量方法。该方法首先通过添加时延数据构造动态数据集,利用互信息最大化准则筛选变量从而减少信息冗余的影响。同时该方法在慢特征分析的基础上引入核函数扩展,加强模型处理非线性数据的能力,并将获得的核慢特征用于回归建模。核慢特征分析通过分析样本的变化,提取具有缓慢变化特征的成分,可以有效地刻画工业过程的变化趋势,提升回归模型精度。最后该方法的有效性在常压塔常顶油干点与常一线初馏点的软测量模型中得到了验证。
吴朔枫,颜学峰[8]（2016）在《基于即时学习的集成神经网络及其干点预测》文中认为针对单个神经网络泛化能力差、对不同样本预测精度波动大的问题,提出了一种基于即时学习集成神经网络方法。首先,基于训练样本,建立多个不同的神经网络模型。其次,根据即时学习的思想,在对样本进行预测时,在训练样本中寻找与预测样本最接近的若干邻近样本,根据各网络对邻近样本的训练误差,即时形成各神经网络的集成权重,实时构造集成神经网络模型,对预测样本进行预测。最后,将该方法应用于初顶石脑油干点的预测,相比于文献中提出的方法,得到了更好的预测结果 。
李荣雨,王立明[9]（2016）在《基于ISOMAP-ELM的软测量建模及化工应用》文中研究表明针对化工生产反应过程复杂,难以直接建立对应的机理模型,提出了一种基于ISOMAP-ELM的软测量模型。将等距离映射与极限学习机结合,通过等距离映射对输入数据进行降维,消除输入数据的共线性,在低维空间提取更具代表性的特征分量,最后对特征分量采用极限学习机训练,以此建立软测量模型。验证结果表明,所提出算法与传统的基于ELM以及基于欧式距离降维的MDS-ELM模型相比,具有更高的预测精度,模型的均方误差仅为0.28,软测量模型的命中率达到94%,对化工生产具有一定的指导意义。
李奇安,杨秀[10]（2015）在《基于PSO-K均值聚类的石脑油干点值多模型软测量建模方法》文中指出针对蒸馏工艺过程中变量多且变量间关系呈强耦合性及高度非线性的特点,提出一种基于PSO-K均值聚类的石脑油干点值多模型软测量建模方法。分析石脑油干点值的影响因素,采集相关辅助变量。用基于PSO改进的K均值聚类算法将现场采集数据进行划分,得到样本子集。再将得到的各个样本子集分别用SVM算法进行训练,建立石脑油干点值的预测子模型。在此模型基础上,通过计算预测样本与各子模型训练样本聚类中心的欧氏距离,采用模型切换的方法选择预测模型。仿真结果表明该方法避免了分类时K均值算法易陷入局部极值的问题,可以有效预测常压塔石脑油干点值,与单个全局模型相比有更好的精度与泛化能力。
二、基于多神经网络模型的石脑油干点软测量（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于多神经网络模型的石脑油干点软测量（论文提纲范文）
（1）基于深度学习的精馏过程质量参数软测量方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 精馏过程介绍 |
| 1.1.3 软测量方法介绍 |
| 1.2 国内外研究现状 |
| 1.3 论文主要内容及结构 |
| 2 精馏过程的动态机理模型建立 |
| 2.1 精馏塔过程工艺原理 |
| 2.1.1 精馏塔的结构 |
| 2.1.2 精馏过程的分类 |
| 2.2 精馏过程基本公式 |
| 2.3 连续精馏过程仿真模型建立 |
| 2.3.1 连续精馏基本公式 |
| 2.3.2 连续精馏过程的仿真模型 |
| 2.4 间歇精馏过程仿真模型建立 |
| 2.4.1 间歇精馏基本公式 |
| 2.4.2 间歇精馏过程的仿真模型 |
| 2.5 本章小结 |
| 3 基于机器学习的精馏过程软测量方法研究 |
| 3.1 机器学习方法 |
| 3.2 BP神经网络 |
| 3.3 RBF神经网络 |
| 3.4 SVM原理 |
| 3.5 混合核最小二乘支持向量机(MKLS-SVM) |
| 3.5.1 最小二乘支持向量机原理 |
| 3.5.2 混合核最小二乘支持向量机原理 |
| 3.6 仿真实验及结果分析 |
| 3.6.1 评价指标介绍 |
| 3.6.2 非线性函数仿真实验 |
| 3.6.3 噪声扰动下连续精馏仿真数据集仿真实验 |
| 3.7 本章小结 |
| 4 基于深度学习的精馏过程软测量方法研究 |
| 4.1 变量选择方法的研究 |
| 4.2 LASSO变量选择算法 |
| 4.2.1 LASSO算法原理 |
| 4.2.2 LASSO变量选择结果对比 |
| 4.3 深度学习算法 |
| 4.4 深度置信网络算法 |
| 4.4.1 RBM算法 |
| 4.4.2 PSO-DBN算法 |
| 4.5 仿真实验及结果分析 |
| 4.5.1 精馏标称数据集仿真实验 |
| 4.5.2 实际工业精馏数据集仿真实验 |
| 4.6 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
（2）基于支持向量机的石脑油裂解制乙烯过程软测量建模研究（论文提纲范文）
| 学位论文数据集 |
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 软测量技术研究现状 |
| 1.2.1 软测量技术分类 |
| 1.2.2 过程工业数据的特点 |
| 1.2.3 软测量技术的应用 |
| 1.2.4 数据驱动的软测量预测方法 |
| 1.2.5 前人在本选题研究领域中的工作成果简述 |
| 1.2.6 本选题研究的主要内容和重点 |
| 第二章 支持向量机预测建模理论 |
| 2.1 统计学习理论(SLT) |
| 2.1.1 学习过程一致性理论 |
| 2.1.2 VC维理论与构造学习过程收敛的界 |
| 2.1.3 控制学习过程推广能力与结构风险最小化理论 |
| 2.2 支持向量回归建模理论 |
| 2.3 软测量预测模型一般建模过程 |
| 2.3.1 第一次数据清洗 |
| 2.3.2 状态识别 |
| 2.3.3 数据预处理过程 |
| 2.3.4 模型选择、训练和验证 |
| 2.3.5 软测量系统维护 |
| 第三章 基于支持向量回归的软测量回归预测建模方法 |
| 3.1 基于参数优化的SVR软测量模型 |
| 3.1.1 数据清洗、数据预处理和数据集分割 |
| 3.1.2 模型训练、参数优化与模型验证 |
| 3.2 基于ADO-SVR软测量模型 |
| 3.2.1 ALD条件判断 |
| 3.2.2 移动窗技术 |
| 3.2.3 ADO-SVR软测量模型 |
| 3.3 本章小结 |
| 第四章 SVR预测模型在乙烯生产过程中的应用 |
| 4.1 生产历史数据分析 |
| 4.2 乙烯裂解炉装置出口产品组成预测结果 |
| 4.2.1 基于参数优化的SVR软测量建模预测结果 |
| 4.2.2 多种软测量建模方法预测结果对比 |
| 4.3 乙烯裂解炉装置炉管出口温度预测 |
| 4.3.1 基于参数优化的SVR软测量建模预测结果 |
| 4.3.2 学习样本容量不同情况下多种软测量建模方法预测结果对比 |
| 4.4 本章小结 |
| 第五章 ADO-SVR预测模型在乙烯生产过程中的应用 |
| 5.1 移动窗口长度的选择 |
| 5.2 乙烯裂解炉装置出口产品组成与出口温度预测 |
| 5.3 乙烯裂解炉装置出口温度预测 |
| 5.4 乙烯裂解炉装置炉管外壁温度预测 |
| 5.5 本章小结 |
| 第六章 结论与展望 |
| 参考文献 |
| 致谢 |
| 研究成果及发表的学术论文 |
| 作者和导师简介 |
| 附件 |
（3）基于MLCRBMs-ELM的软测量建模（论文提纲范文）
| 1 引言 |
| 2 相关介绍 |
| 2.1 CRBM模型 |
| 2.2 极限学习机ELM |
| 3 MLRBMs-ELM软测量模型 |
| 3.1 数据集划分 |
| 3.2 MLCRBMs模型 |
| 3.3 MLCRBMs-ELM模型 |
| 4 仿真研究 |
| 4.1 UCI数据集测试 |
| 4.2 加氢裂化 |
| 4.3 加氢裂化航煤干点软测量 |
| 5 结束语 |
（4）软测量建模技术在常减压装置的研究与应用（论文提纲范文）
| 1 研究背景 |
| 2 算法研究 |
| 2.1 数据预处理 |
| 2.1.1 基于小波和盒图的单变量异常识别 |
| 2.1.2 基于鲁棒偏最小二乘的多变量异常识别 |
| 2.2 变量滞后时间的确定 |
| 2.3 基于动态PLS的动态模型 |
| 3 实例验证 |
| 3.1 流程介绍 |
| 3.2 变量选择及数据预处理 |
| 3.3 网格搜索算法优化 |
| 3.4 软测量方法结果对比 |
| 3.5 在线更新策略 |
| 4 结论 |
（5）炼油工业过程控制的研究现状、问题与展望（论文提纲范文）
| 1 炼油过程先进控制的研究现状 |
| 2 炼油过程软测量的研究现状 |
| 3 炼油过程运行优化的研究现状 |
| 4 炼油过程先进控制存在的问题与解决思路 |
| 5 发展趋势展望 |
（6）基于原油实时性质的常减压蒸馏装置数据处理和优化研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题研究背景和意义 |
| 1.2 常减压蒸馏装置工艺简介 |
| 1.3 国内外研究现状 |
| 1.3.1 常减压蒸馏装置优化研究现状 |
| 1.3.2 数据处理及优化技术研究现状 |
| 1.4 论文主要内容及章节安排 |
| 第二章 常减压蒸馏装置稳态工况的判别 |
| 2.1 常减压蒸馏装置稳态工况问题的描述 |
| 2.2 基于多项式滤波的稳态工况判别 |
| 2.2.1 多项式滤波的基本原理 |
| 2.2.2 滑动窗口长度的确定 |
| 2.2.3 稳态工况判别规则的确定 |
| 2.2.4 基于多项式滤波的稳态工况判别步骤 |
| 2.3 案例研究及分析 |
| 2.4 本章小结 |
| 第三章 原油数据校正和化验数据补齐 |
| 3.1 原油数据校正和化验数据补齐问题的描述 |
| 3.2 基于相似度比较的原油性质数据校正 |
| 3.2.1 性质相似度的确定 |
| 3.2.2 基于相似度比较的原油性质数据校正步骤 |
| 3.3 基于最小二乘的原油实沸点蒸馏曲线校正 |
| 3.3.1 决策变量的选取 |
| 3.3.2 基于最小二乘的原油实沸点蒸馏曲线校正步骤 |
| 3.4 基于相似工况的化验数据补齐 |
| 3.4.1 工况相似度的确定 |
| 3.4.2 基于相似工况的化验数据补齐步骤 |
| 3.5 案例研究及分析 |
| 3.6 本章小结 |
| 第四章 减压塔侧线产品性质的软测量 |
| 4.1 减压塔侧线产品性质软测量问题的描述 |
| 4.2 基于多元线性回归的减压塔侧线产品性质的软测量 |
| 4.2.1 输入变量的确定 |
| 4.2.2 软测量模型的建立 |
| 4.2.3 基于多元线性回归的减压塔侧线产品性质软测量步骤 |
| 4.3 案例研究及分析 |
| 4.4 本章小结 |
| 第五章 常减压蒸馏装置的操作优化 |
| 5.1 常减压蒸馏装置操作优化问题的描述 |
| 5.2 常减压蒸馏装置的操作优化 |
| 5.2.1 优化方法的选择 |
| 5.2.2 操作变量的确定 |
| 5.2.3 优化结果 |
| 5.3 现场测试与优化应用 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文总结 |
| 6.2 课题展望 |
| 致谢 |
| 参考文献 |
| 作者在学期间的研究成果 |
（7）基于核慢特征回归与互信息的常压塔软测量建模（论文提纲范文）
| 引言 |
| 1 核慢特征回归 |
| 1.1 慢特征回归 |
| 1.1.1 慢特征分析 |
| 1.1.2 慢特征回归 |
| 1.2 核慢特征回归 (KSFR) |
| (1) 训练部分Datatr={X (t) , y (t) }t=1, 2, …, n |
| (2) 测试部分Datate={Xte (t) }t=1, 2, …, n |
| 2 动态建模与互信息变量选择 |
| 3 基于DMI-KSFR的软测量方法 |
| 4 常压塔质量指标软测量建模研究 |
| 4.1 某常压塔常顶油干点软测量建模 |
| 4.2 某石化常压塔初馏点软测量建模 |
| 5 结论 |
（8）基于即时学习的集成神经网络及其干点预测（论文提纲范文）
| 1 基于即时学习的集成神经网络方法 |
| 1.1 概述 |
| 1.2 集成神经网络模型中单个神经网络模型的建立 |
| 1.3 数据选择方法 |
| 1.4 网络集成步骤 |
| 2 初顶石脑油干点预测模型 |
| 2.1 概述 |
| 2.2 模型数据 |
| 2.3 初顶石脑油干点预测模型的建立 |
| 2.3.1 数据预处理 |
| 2.3.3 网络集成 |
| 2.3.4 结果分析 |
| 2.3.5 结果比较 |
| 3 结论 |
（9）基于ISOMAP-ELM的软测量建模及化工应用（论文提纲范文）
| 1 引言 |
| 2 极限学习机(ELM) |
| 3 基于ISOMAP-ELM的软测量模型 |
| 3.1 等距离映射(ISOMAP) |
| 3.2 ISOMAP-ELM |
| 4 加氢裂化航煤干点软测量 |
| 5 结论 |
（10）基于PSO-K均值聚类的石脑油干点值多模型软测量建模方法（论文提纲范文）
| 1引言 |
| 2基于PSO-K均值聚类的SVM多模型建模方法 |
| 2.1基于PSO的K均值聚类算法 |
| 2.2支持向量机建模 |
| 2.2模型的切换 |
| 3石脑油干点值软测量建模 |
| 3.1常压塔工艺流程简介及辅助变量的选择 |
| 3.2仿真实验 |
| 4结论 |
四、基于多神经网络模型的石脑油干点软测量（论文参考文献）
- [1]基于深度学习的精馏过程质量参数软测量方法研究[D]. 卢政印. 大连理工大学, 2021(01)
- [2]基于支持向量机的石脑油裂解制乙烯过程软测量建模研究[D]. 朱哲熹. 北京化工大学, 2019(06)
- [3]基于MLCRBMs-ELM的软测量建模[J]. 倪健华,王静. 微电子学与计算机, 2018(10)
- [4]软测量建模技术在常减压装置的研究与应用[J]. 李荣强,李传坤,姜巍巍,王春利. 安全、健康和环境, 2017(12)
- [5]炼油工业过程控制的研究现状、问题与展望[J]. 黄德先,江永亨,金以慧. 自动化学报, 2017(06)
- [6]基于原油实时性质的常减压蒸馏装置数据处理和优化研究[D]. 罗凡. 东南大学, 2017(04)
- [7]基于核慢特征回归与互信息的常压塔软测量建模[J]. 蒋昕祎,杜红彬,李绍军. 化工学报, 2017(05)
- [8]基于即时学习的集成神经网络及其干点预测[J]. 吴朔枫,颜学峰. 华东理工大学学报(自然科学版), 2016(05)
- [9]基于ISOMAP-ELM的软测量建模及化工应用[J]. 李荣雨,王立明. 计量学报, 2016(05)
- [10]基于PSO-K均值聚类的石脑油干点值多模型软测量建模方法[J]. 李奇安,杨秀. 计算机与应用化学, 2015(08)