人工智能與大數(shù)據(jù)：工業(yè)聚丙烯智能制造
定 價：88 元
- 作者：劉興高、徐志鵬、王之宇、呂露 著
- 出版時間：2024/10/1
- ISBN：9787122449238
- 出 版 社：化學工業(yè)出版社
- 中圖法分類：TQ325.1
- 頁碼：244
- 紙張：
- 版次：01
- 開本：小16開
本書系統(tǒng)闡述了烯烴聚合智能制造的自動化與智能化核心瓶頸生產(chǎn)難題與科學前沿問題——熔融指數(shù)預報的機理建模與數(shù)據(jù)驅動建模方法。從人工智能與數(shù)據(jù)解析的角度，針對聚丙烯工業(yè)生產(chǎn)的MI預報實際問題和實際生產(chǎn)數(shù)據(jù)，系統(tǒng)闡述了該領域國內外研究現(xiàn)狀，特別是筆者二十多年來所指導的數(shù)十名碩士生、博士生、博士后從事該領域實際生產(chǎn)研究的相關方法、思路與成果，使讀者近距離全面了解人工智能與數(shù)據(jù)解析方法在智能制造中的實際應用情況。
本書可作為高等院校自動化、控制科學與工程、控制系統(tǒng)工程、計算機科學與技術、數(shù)學與應用數(shù)學、化工工程、材料科學與技術等相關專業(yè)的教材，也可作為有關研究人員和工程技術人員的參考書。
第1章 緒論001～014
1.1丙烯聚合工業(yè)介紹002
1.1.1聚丙烯及其熔融指數(shù)002
1.1.2現(xiàn)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(chǎn)工藝流程及裝置006
1.2.3建模變量的確定008
1.3研究現(xiàn)狀010
1.3.1基于線性統(tǒng)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(chǎn)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(shù)的確定048
2.4.5模型參數(shù)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(shù)據(jù)驅動方法054～074
3.1統(tǒng)計學習理論基本概念056
3.1.1最小化期望風險的準則057
3.1.2建立有用預測變量的規(guī)則059
3.2常用統(tǒng)計學習方法061
3.2.1統(tǒng)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(jiān)督073
本章小結073
思考題074
第4章 神經(jīng)網(wǎng)絡075～094
4.1人工神經(jīng)網(wǎng)絡介紹076
4.1.1人工神經(jīng)網(wǎng)絡的發(fā)展077
4.1.2人工神經(jīng)網(wǎng)絡的基本功能079
4.1.3人工神經(jīng)網(wǎng)絡的優(yōu)缺點080
4.2PCA-RBF神經(jīng)網(wǎng)絡模型的建立081
4.2.1RBF神經(jīng)網(wǎng)絡方法081
4.2.2結構原理082
4.2.3RBF神經(jīng)網(wǎng)絡與BP神經(jīng)網(wǎng)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(jīng)網(wǎng)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(shù)據(jù)的采集089
4.4.2MI預報的PCA-RBF神經(jīng)網(wǎng)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最小二乘支持向量機106
5.2.3加權最小二乘支持向量機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(shù)預報中的應用111
5.3.1過程數(shù)據(jù)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(jīng)網(wǎng)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(jīng)網(wǎng)絡介紹123
6.3模糊神經(jīng)網(wǎng)絡在熔融指數(shù)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(fā)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(xiàn)狀139
7.3時間序列的混沌特性識別研究141
7.3.1平穩(wěn)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(lián)維數(shù)147
7.3.5Lyapunov指數(shù)148
7.3.6Kolmogorov熵150
7.4熔融指數(shù)時間序列的混沌特性分析151
7.4.1平穩(wěn)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(shù)混沌預報研究156
7.5.1小波神經(jīng)網(wǎng)絡簡介156
7.5.2模糊小波神經(jīng)網(wǎng)絡158
7.5.3網(wǎng)絡學習算法160
7.5.4基于FWNN的熔融指數(shù)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(shù)組合預測研究174
8.1.1小波變換174
8.1.2經(jīng)驗模態(tài)分解176
8.2熔融指數(shù)時間序列的多尺度分析178
8.2.1小波分解與經(jīng)驗模態(tài)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(shù)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(shù)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(jiān)督192～205
9.1基于核密度估計的稀疏貝葉斯半監(jiān)督回歸194
9.2基于KDSBSR的熔融指數(shù)預報模型198
9.3實例驗證200
9.3.1不同熔融指數(shù)標簽采樣率下KDSBSR模型預報效果考察200
9.3.2不同半監(jiān)督模型預報性能對比研究202
本章小結205
思考題205
第10章 群智能206～222
10.1基于ACO算法模型優(yōu)化研究207
10.1.1ACO算法介紹207
10.1.2ACO算法優(yōu)化D-FNN參數(shù)209
10.1.3自適應ACO算法優(yōu)化D-FNN參數(shù)211
10.1.4ACO算法優(yōu)化效果分析212
10.2基于PSO算法模型優(yōu)化研究215
10.2.1PSO-D-FNN優(yōu)化模型215
10.2.2混沌GA/PSO優(yōu)化模型216
10.2.3PSO算法優(yōu)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
書單推薦
