迁移学习驱动的复杂工业过程智能建模与优化控制

部分 迁移学习驱动的建模方法
1 基于高斯过程模型和贝叶斯算法的改进快速建模方法
1.1 引言
1.2 理论基础
1.2.1 高斯过程回归模型
1.2.2 贝叶斯算法
1.2.3 MCMC算法
1.2.4 拉丁超立方体抽样算法
1.3 基于高斯过程模型和贝叶斯算法的改进模型迁移建模策略
1.3.1 建立旧过程性能预测模型
1.3.2 采集新过程建模数据
1.3.3 模型尺度-偏差迁移调整
1.3.4 贝叶斯迁移模型参数估计
1.3.5 新过程序贯试验设计
1.3.6 停止条件与迁移模型验证
1.4 实验验证
1.4.1 实验设计
1.4.2 结果分析
参考文献
2 基于多模型迁移和贝叶斯模型平均算法的 小成本建模方法
2.1 引言
2.2 多模型迁移策略
2.3 贝叶斯模型平均算祛
2.3.1 BMA
2.3.2 期望 （EM）算法
2.4 基于多模型迁移策略的 小成本建模方法
2.4.1 相似过程基础模型选择
2.4.2 新过程初始建模数据获取
2.4.3 参数估计与模型训练
2.4.4 补充实验与模型验证
2.5 实验验证
2.5.1 实验设计
2.5.2 结果分析
参考文献
3 基于多任务 小二乘支持向量机的多过程联合建模方法
3.1 引言
3.2 多任务 小二乘支持向量机
3.2.1 多任务学习算法
3.2.2 小二乘支持向量机
3.2.3 多任务 小二乘支持向量机
3.3 多过程联合建模方法
3.3.1 数据预处理
3.3.2 构建多任务
3.3.3 模型训练与模型评估
3.4 实验验证
3.4.1 实验设计
3.4.2 结果分析
参考文献
第2部分 迁移学习驱动的产品质量预测方法
4 基于JYKPLS迁移模型的产品质量预测方法