| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 课题研究的背景和意义 | 第9-11页 |
| 1.2 国内外研究现状及动态分析 | 第11-13页 |
| 1.2.1 国外研究状况及应用 | 第11-12页 |
| 1.2.2 国内研究现状及应用 | 第12-13页 |
| 1.3 课题研究内容 | 第13-15页 |
| 第二章 数据预处理 | 第15-22页 |
| 2.1 数据预处理的必要性 | 第15-16页 |
| 2.2 数据预处理方法 | 第16-19页 |
| 2.2.1 数据清理 | 第16-17页 |
| 2.2.2 数据集成 | 第17-18页 |
| 2.2.3 数据变换 | 第18页 |
| 2.2.4 数据规约 | 第18-19页 |
| 2.3 本课题数据预处理基本过程 | 第19-20页 |
| 2.3.1 稳态检测 | 第19-20页 |
| 2.3.2 异常数据处理 | 第20页 |
| 2.4 本章小结 | 第20-22页 |
| 第三章 相关性分析和工况划分 | 第22-35页 |
| 3.1 相关性分析 | 第22-25页 |
| 3.1.1 相关性分析的必要性 | 第22页 |
| 3.1.2 相关分析的概念 | 第22-23页 |
| 3.1.3 相关分析的主要内容和主要方法 | 第23-25页 |
| 3.2 工况划分 | 第25-34页 |
| 3.2.1 工况划分的必要性 | 第25页 |
| 3.2.2 工况划分的方法 | 第25-26页 |
| 3.2.3 对各参数进行工况划分 | 第26-34页 |
| 3.3 本章小结 | 第34-35页 |
| 第四章 边界参数与热耗率的BP神经网络建模 | 第35-46页 |
| 4.1 人工智能建模 | 第35-37页 |
| 4.2 人工神经网络建模 | 第37-40页 |
| 4.2.1 神经网络概述 | 第37-39页 |
| 4.2.2 BP神经网络建模过程 | 第39-40页 |
| 4.3 Adaboost强分类器设计 | 第40-44页 |
| 4.3.1 Adaboost算法原理 | 第41页 |
| 4.3.2 基于Adaboost算法的BP神经网络预测模型 | 第41-43页 |
| 4.3.3 基于Adaboost算法的机组全工况运行模型 | 第43-44页 |
| 4.4 各建模方法的误差分析 | 第44-45页 |
| 4.5 本章小结 | 第45-46页 |
| 第五章 基于模型的主汽压力实时优化 | 第46-50页 |
| 5.1 主汽压力寻优方法 | 第46页 |
| 5.2 主汽压力实时优化分析 | 第46-49页 |
| 5.3 本章小结 | 第49-50页 |
| 第六章 结论与展望 | 第50-51页 |
| 6.1 结论 | 第50页 |
| 6.2 展望 | 第50-51页 |
| 参考文献 | 第51-54页 |
| 致谢 | 第54页 |