| 摘要 | 第3-5页 |
| ABSTRACT | 第5-7页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 引言 | 第11-12页 |
| 1.2 人工神经网络(ANN) | 第12-15页 |
| 1.2.1 概述 | 第12页 |
| 1.2.2 人工神经元的模型构造 | 第12-14页 |
| 1.2.3 常见的人工神经网络模型 | 第14-15页 |
| 1.3 蓬勃发展的煤热转化技术 | 第15-16页 |
| 1.4 人工神经网络在煤化工领域的应用 | 第16-17页 |
| 1.5 本文的研究内容 | 第17-19页 |
| 第二章 BP神经网络 | 第19-33页 |
| 2.1 BP神经网络的结构 | 第19页 |
| 2.2 运行机制 | 第19-23页 |
| 2.3 BP神经网络的优点 | 第23-24页 |
| 2.4 BP神经网络的不足 | 第24-25页 |
| 2.5 BP神经网络的改进 | 第25-31页 |
| 2.5.1 BP神经网络激励函数的优化 | 第25-26页 |
| 2.5.2 BP神经网络算法的改进方法 | 第26-27页 |
| 2.5.3 其他算法与BP算法联用 | 第27-30页 |
| 2.5.4 多种算法的联用 | 第30-31页 |
| 2.6 BP神经网络输入因素的权重分析 | 第31-33页 |
| 第三章 煤热解预测模型 | 第33-58页 |
| 3.1 BP神经网络的建模分析 | 第33-34页 |
| 3.1.1 数据的归一化操作 | 第33-34页 |
| 3.2 网络模型的设计 | 第34-35页 |
| 3.2.1 输入层节点数的选取 | 第34页 |
| 3.2.2 隐含层节点数的选取 | 第34-35页 |
| 3.2.3 输出层节点数的选取 | 第35页 |
| 3.3 煤热解的实验介绍 | 第35-36页 |
| 3.3.1 煤热解实验 | 第36页 |
| 3.4 BP神经网络最优激励函数组合的探究 | 第36-39页 |
| 3.4.1 模型设计 | 第36-37页 |
| 3.4.2 各函数组合的测试效果分析 | 第37-39页 |
| 3.5 最优BP改进型神经网络的探究 | 第39-52页 |
| 3.5.1 BP神经网络模型的设计 | 第39页 |
| 3.5.2 BP神经网络的预测 | 第39-42页 |
| 3.5.3 A-BP神经网络的预测 | 第42-45页 |
| 3.5.4 GA-BP神经网络的预测 | 第45-46页 |
| 3.5.5 PSO-BP神经网络的预测 | 第46-48页 |
| 3.5.6 PSO-GA-A-BP神经网络的预测 | 第48-50页 |
| 3.5.7 模型对比 | 第50-52页 |
| 3.6 煤热解的线预测 | 第52-56页 |
| 3.7 本章小结 | 第56-58页 |
| 第四章 煤灰熔融特性的预测研究 | 第58-87页 |
| 4.1 煤灰熔融特性实验研究 | 第58-61页 |
| 4.1.1 煤样 | 第58-59页 |
| 4.1.2 煤灰灰熔点的测定与BP神经网络的预测 | 第59-61页 |
| 4.2 经验模型与BP预测模型的对比分析 | 第61-63页 |
| 4.3 煤灰主要成分的三元相图分析 | 第63-64页 |
| 4.4 灰渣微观形貌分析与DSC分析 | 第64-66页 |
| 4.5 灰渣XRD晶相分析 | 第66-69页 |
| 4.6 煤灰中主要碱性组分对FT的影响及相关反应的热力学分析 | 第69-71页 |
| 4.7 煤灰FT主控因素的探究 | 第71-80页 |
| 4.7.1 煤灰样本的收集 | 第71-72页 |
| 4.7.2 煤灰样本分析 | 第72-75页 |
| 4.7.3 三元相图分析 | 第75-76页 |
| 4.7.4 PSO-GA-A-BP神经网络对关键组分的研究 | 第76-79页 |
| 4.7.5 “关键组分”对FT的影响 | 第79-80页 |
| 4.8 FT调控技术的研究 | 第80-84页 |
| 4.8.1 调控工艺的验证 | 第81-84页 |
| 4.9 本章小结 | 第84-87页 |
| 第五章 总结与展望 | 第87-92页 |
| 5.1 总结 | 第87-91页 |
| 5.2 特色与创新 | 第91页 |
| 5.3 展望 | 第91-92页 |
| 参考文献 | 第92-99页 |
| 致谢 | 第99-101页 |
| 攻读硕士学位期间取得的学术成果 | 第101-103页 |
| 附表1 煤灰化学组成与FT | 第103-109页 |
| 附表2 煤热解训练及预测样本 | 第109-111页 |