软测量技术原理与应用PDF电子书下载

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