人工智能与大数据:工业聚丙烯智能制造

本书有以下特点： 1.突出实践性。该书的内容紧密结合工业制造实践，提供了大量的案例和应用场景，能够帮助读者更好地理解人工智能在制造业的应用。 2.着重讲解数据处理和机器学习技术，具有热点性。该书详细介绍了数据预处理、特征工程、模型训练和评估等方面的技术，涵盖了从传统的统计学方法到深度学习模型的应用。 3.强调实验设计和结果分析，专业性强。该书提供了大量的实验数据和分析结果，能够帮助读者深入理解模型的性能和应用效果。 4.强调数据质量和数据可视化，直观显示度强。该书在介绍数据处理和特征工程技术时，特别强调了数据质量和数据可视化的重要性。它提供了许多实用的技巧和方法，帮助读者处理和清洗数据，并将数据可视化以更好地理解数据。

本书系统阐述了烯烃聚合智能制造的自动化与智能化核心瓶颈生产难题与科学前沿问题——熔融指数预报的机理建模与数据驱动建模方法。从人工智能与数据解析的角度，针对聚丙烯工业生产的MI预报实际问题和实际生产数据，系统阐述了该领域国内外研究现状，特别是笔者二十多年来所指导的数十名硕士生、博士生、博士后从事该领域实际生产研究的相关方法、思路与成果，使读者近距离全面了解人工智能与数据解析方法在智能制造中的实际应用情况。本书可作为高等院校自动化、控制科学与工程、控制系统工程、计算机科学与技术、数学与应用数学、化工工程、材料科学与技术等相关专业的教材，也可作为有关研究人员和工程技术人员的参考书。

无

第1章绪论001~014
1.1丙烯聚合工业介绍002
1.1.1聚丙烯及其熔融指数002
1.1.2现代聚丙烯工艺004
1.2过程建模005
1.2.1建模对象过程介绍005
1.2.2聚丙烯生产工艺流程及装置006
1.2.3建模变量的确定008
1.3研究现状010
1.3.1基于线性统计理论的预测模型010
1.3.2基于智能理论的预测模型011
1.3.3基于非线性理论的预测模型012
1.4研究难点012
思考题014
第2章机理模型015~053
2.1丙烯聚合机理模型017
2.1.1微观尺度模型018
2.1.2介观尺度模型019
2.1.3宏观尺度模型020
2.2丙烯聚合反应的动力学021
2.3单粒子增长模型025
2.3.1改进的单粒子模型的建立028
2.3.2CSA基本思想034
2.3.3模型结果与分析036
2.4聚丙烯反应器模型041
2.4.1聚丙烯生产过程建模的主要困难041
2.4.2反应机理的简化及其反应动力学042
2.4.3模型求解步骤047
2.4.4反应动力学参数的确定048
2.4.5模型参数在线自动校正050
2.4.6模型运行结果分析051
本章小结052
思考题053
第3章数据驱动方法054~074
3.1统计学习理论基本概念056
3.1.1最小化期望风险的准则057
3.1.2建立有用预测变量的规则059
3.2常用统计学习方法061
3.2.1统计分析061
3.2.2NNs063
3.2.3支持向量机068
3.2.4混沌072
3.2.5半监督073
本章小结073
思考题074
第4章神经网络075~094
4.1人工神经网络介绍076
4.1.1人工神经网络的发展077
4.1.2人工神经网络的基本功能079
4.1.3人工神经网络的优缺点080
4.2PCA-RBF神经网络模型的建立081
4.2.1RBF神经网络方法081
4.2.2结构原理082
4.2.3RBF神经网络与BP神经网络的比较083
4.3主元分析法084
4.3.1问题的提出085
4.3.2多维推广086
4.3.3贡献率和累积贡献率088
4.4PCA-RBF神经网络模型在MI预报中的应用089
4.4.1过程变量的确定及建模数据的采集089
4.4.2MI预报的PCA-RBF神经网络建模090
4.4.3仿真结果与分析091
本章小结094
思考题094
第5章支持向量机095~116
5.1支持向量机简介096
5.1.1支持向量分类机096
5.1.2支持向量回归机099
5.2支持向量机理论102
5.2.1SVM非线性回归原理103
5.2.2最小二乘支持向量机106
5.2.3加权最小二乘支持向量机107
5.2.4相关向量机108
5.2.5相关向量机的基本理论108
5.2.6相关向量机模型基本原理109
5.3SVM在聚丙烯熔融指数预报中的应用111
5.3.1过程数据及其预处理111
5.3.2模型性能比较112
本章小结115
思考题115
第6章模糊理论117~131
6.1模糊神经网络介绍118
6.1.1模糊理论介绍118
6.1.2模糊集合119
6.1.3模糊理论的特点122
6.2模糊神经网络介绍123
6.3模糊神经网络在熔融指数软测量中的应用分析126
本章小结130
思考题131
第7章混沌理论132~172
7.1混沌理论基本介绍133
7.1.1混沌理论的发展133
7.1.2混沌的定义135
7.1.3典型混沌时间序列136
7.2混沌时间序列预测的研究现状139
7.3时间序列的混沌特性识别研究141
7.3.1平稳性分析141
7.3.2非线性检验143
7.3.3相空间重构144
7.3.4关联维数147
7.3.5Lyapunov指数148
7.3.6Kolmogorov熵150
7.4熔融指数时间序列的混沌特性分析151
7.4.1平稳性分析151
7.4.2非线性检验151
7.4.3相空间重构151
7.5基于FWNN的熔融指数混沌预报研究156
7.5.1小波神经网络简介156
7.5.2模糊小波神经网络158
7.5.3网络学习算法160
7.5.4基于FWNN的熔融指数混沌预报模型165
7.6实例验证168
本章小结170
思考题172
第8章多尺度173~191
8.1基于多尺度分析的熔融指数组合预测研究174
8.1.1小波变换174
8.1.2经验模态分解176
8.2熔融指数时间序列的多尺度分析178
8.2.1小波分解与经验模态分解的结果分析与比较178
8.2.2对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数组合预测模型185
8.3.1组合预测方法185
8.3.2基于多尺度分析的熔融指数组合预测模型186
8.4实例验证187
本章小结190
思考题191
第9章半监督192~205
9.1基于核密度估计的稀疏贝叶斯半监督回归194
9.2基于KDSBSR的熔融指数预报模型198
9.3实例验证200
9.3.1不同熔融指数标签采样率下KDSBSR模型预报效果考察200
9.3.2不同半监督模型预报性能对比研究202
本章小结205
思考题205
第10章群智能206~222
10.1基于ACO算法模型优化研究207
10.1.1ACO算法介绍207
10.1.2ACO算法优化D-FNN参数209
10.1.3自适应ACO算法优化D-FNN参数211
10.1.4ACO算法优化效果分析212
10.2基于PSO算法模型优化研究215
10.2.1PSO-D-FNN优化模型215
10.2.2混沌GA/PSO优化模型216
10.2.3PSO算法优化效果分析219
本章小结222
思考题222
参考文献223
图索引239
表索引243