遷移學習驅動的復雜工業(yè)過程智能建模與優(yōu)化控制

部分 遷移學習驅動的建模方法
1 基于高斯過程模型和貝葉斯算法的改進快速建模方法
1.1 引言
1.2 理論基礎
1.2.1 高斯過程回歸模型
1.2.2 貝葉斯算法
1.2.3 MCMC算法
1.2.4 拉丁超立方體抽樣算法
1.3 基于高斯過程模型和貝葉斯算法的改進模型遷移建模策略
1.3.1 建立舊過程性能預測模型
1.3.2 采集新過程建模數據
1.3.3 模型尺度-偏差遷移調整
1.3.4 貝葉斯遷移模型參數估計
1.3.5 新過程序貫試驗設計
1.3.6 停止條件與遷移模型驗證
1.4 實驗驗證
1.4.1 實驗設計
1.4.2 結果分析
參考文獻
2 基于多模型遷移和貝葉斯模型平均算法的 小成本建模方法
2.1 引言
2.2 多模型遷移策略
2.3 貝葉斯模型平均算祛
2.3.1 BMA
2.3.2 期望 （EM）算法
2.4 基于多模型遷移策略的 小成本建模方法
2.4.1 相似過程基礎模型選擇
2.4.2 新過程初始建模數據獲取
2.4.3 參數估計與模型訓練
2.4.4 補充實驗與模型驗證
2.5 實驗驗證
2.5.1 實驗設計
2.5.2 結果分析
參考文獻
3 基于多任務 小二乘支持向量機的多過程聯合建模方法
3.1 引言
3.2 多任務 小二乘支持向量機
3.2.1 多任務學習算法
3.2.2 小二乘支持向量機
3.2.3 多任務 小二乘支持向量機
3.3 多過程聯合建模方法
3.3.1 數據預處理
3.3.2 構建多任務
3.3.3 模型訓練與模型評估
3.4 實驗驗證
3.4.1 實驗設計
3.4.2 結果分析
參考文獻
第2部分 遷移學習驅動的產品質量預測方法
4 基于JYKPLS遷移模型的產品質量預測方法