新型人工智能技术研究及其在锅炉燃烧优化中的应用
| 摘要 | 第1-7页 |
| Abstract | 第7-12页 |
| 第1章 绪论 | 第12-24页 |
| ·课题研究的背景和意义 | 第12-13页 |
| ·人工智能技术 | 第13-18页 |
| ·人工神经网络 | 第14-16页 |
| ·智能优化算法 | 第16-18页 |
| ·锅炉燃烧优化技术 | 第18-20页 |
| ·智能燃烧优化技术在国内外研究现状 | 第20-22页 |
| ·论文的主要研究内容和结构安排 | 第22-24页 |
| 第2章 人工蜂群算法及其改进 | 第24-50页 |
| ·引言 | 第24页 |
| ·蜜蜂行为的描述 | 第24-26页 |
| ·人工蜂群算法原理 | 第26-28页 |
| ·第一类修正的人工蜂群算法 | 第28-41页 |
| ·改进的人工蜂群算法(I-ABC) | 第28-30页 |
| ·预测选择人工蜂群算法(PS-ABC) | 第30-33页 |
| ·仿真实验 | 第33-41页 |
| ·第二类修正的人工蜂群算法 | 第41-49页 |
| ·反向学习算法 | 第41-43页 |
| ·预测选择人工蜂群算法Ⅱ(PS-ABCⅡ) | 第43-45页 |
| ·性能测试 | 第45-49页 |
| ·本章小结 | 第49-50页 |
| 第3章 新型神经网络——快速学习网 | 第50-73页 |
| ·引言 | 第50-51页 |
| ·极端学习机 | 第51-52页 |
| ·快速学习网(FLN) | 第52-63页 |
| ·算法逼近问题 | 第53-55页 |
| ·最小二乘范数解 | 第55-57页 |
| ·简化 FLN | 第57-58页 |
| ·FLN 学习过程 | 第58-59页 |
| ·FLN 性能测试 | 第59-63页 |
| ·改进的快速学习网 | 第63-71页 |
| ·优化型快速学习网 | 第65-67页 |
| ·最小二乘快速学习网 | 第67-71页 |
| ·本章小结 | 第71-73页 |
| 第4章 快速学习网在线学习算法 | 第73-87页 |
| ·引言 | 第73页 |
| ·在线快速学习网(OFLN) | 第73-81页 |
| ·OFLN 推理过程 | 第73-78页 |
| ·简化 OFLN | 第78-80页 |
| ·OFLN 性能测试 | 第80-81页 |
| ·在线最小二乘快速学习网(OLSFLN) | 第81-86页 |
| ·更新权值与阈值 | 第83-85页 |
| ·OLSFLN 学习步骤 | 第85-86页 |
| ·本章小结 | 第86-87页 |
| 第5章 煤粉炉燃烧过程建模 | 第87-121页 |
| ·引言 | 第87页 |
| ·煤粉炉相关知识 | 第87-93页 |
| ·燃烧系统 | 第87-89页 |
| ·锅炉热效率 | 第89-91页 |
| ·锅炉 NOx 生成机理 | 第91-93页 |
| ·300MW 锅炉热效率建模 | 第93-111页 |
| ·普通离线建模 | 第94-100页 |
| ·组合离线建模 | 第100-107页 |
| ·在线模拟建模 | 第107-111页 |
| ·330MW 锅炉热效率和 NOX 排放特性建模 | 第111-120页 |
| ·锅炉热效率建模 | 第114-117页 |
| ·NOx 排放特性建模 | 第117-120页 |
| ·本章小结 | 第120-121页 |
| 第6章 煤粉炉燃烧过程优化 | 第121-138页 |
| ·引言 | 第121页 |
| ·燃烧目标分析 | 第121-123页 |
| ·优化 300MW 锅炉热效率 | 第123-127页 |
| ·优化 330MW 锅炉效率和 NOX 排放特性 | 第127-137页 |
| ·单独优化锅炉热效率 | 第127-131页 |
| ·单独优化 NOx 排放浓度 | 第131-134页 |
| ·多目标综合优化 | 第134-137页 |
| ·本章小结 | 第137-138页 |
| 结论 | 第138-140页 |
| 附录 | 第140-142页 |
| 参考文献 | 第142-153页 |
| 攻读博士学位期间承担的科研任务与主要成果 | 第153-156页 |
| 致谢 | 第156-157页 |
| 作者简介 | 第157页 |
