| 摘要 | 第4-6页 |
| ABSTRACT | 第6-8页 |
| 第一章 绪论 | 第15-21页 |
| 1.1 课题研究背景 | 第15-16页 |
| 1.2 国内外研究现状 | 第16-18页 |
| 1.2.1 神经网络理论研究和应用现状 | 第16页 |
| 1.2.2 复杂化工过程的能效建模与研究现状 | 第16-18页 |
| 1.2.3 极限学习机在复杂化工过程及能效建模与分析中的应用 | 第18页 |
| 1.3 本文研究内容 | 第18-19页 |
| 1.4 论文组织结构 | 第19-21页 |
| 第二章 神经网络理论基础 | 第21-35页 |
| 2.1 前馈型神经网络 | 第21-25页 |
| 2.1.1 前馈型神经网络的结构 | 第21-22页 |
| 2.1.2 前馈型神经网络的学习方式 | 第22-23页 |
| 2.1.3 前馈型神经网络的学习算法 | 第23-24页 |
| 2.1.4 前馈型神经网络的性能分析 | 第24-25页 |
| 2.2 极限学习机 | 第25-26页 |
| 2.2.1 极限学习机网络结构 | 第25页 |
| 2.2.2 极限学习机学习算法 | 第25-26页 |
| 2.2.3 极限学习机网络性能分析 | 第26页 |
| 2.3 基于拓扑扩张的神经网络(NEAT) | 第26-34页 |
| 2.3.1 NEAT概述 | 第26-27页 |
| 2.3.2 NEAT演化方式 | 第27-33页 |
| 2.3.3 NEAT性能分析 | 第33-34页 |
| 2.4 本章小结 | 第34-35页 |
| 第三章 基于拓扑扩张演化的极限学习机(NEAT-ELM) | 第35-41页 |
| 3.1 NEAT-ELM的可行性和必要性分析 | 第35页 |
| 3.2 NEAT-ELM算法设计 | 第35-36页 |
| 3.3 NEAT-ELM算法流程图 | 第36页 |
| 3.4 NEAT-ELM操作步骤 | 第36-37页 |
| 3.5 实验验证 | 第37-40页 |
| 3.5.1 Housing数据集 | 第37-39页 |
| 3.5.2 Concrete Compressive Strength数据集 | 第39-40页 |
| 3.6 本章小结 | 第40-41页 |
| 第四章 基于指标分解法的NEAT-ELM | 第41-57页 |
| 4.1 指标分解法概述 | 第41-42页 |
| 4.2 基于指标分解法的NEAT-ELM(IDA-NEAT-ELM) | 第42-46页 |
| 4.2.1 IDA-NEAT-ELM的可行性和必要性分析 | 第42-43页 |
| 4.2.2 IDA-NEAT-ELM算法设计 | 第43-45页 |
| 4.2.3 基于IDA-NEAT-ELM的复杂化工能效分析与优化流程图 | 第45-46页 |
| 4.2.4 基于IDA-NEAT-ELM复杂化工能效建模与分析操作步骤 | 第46页 |
| 4.3 实验与应用 | 第46-56页 |
| 4.3.1 乙烯系统能效分析建模及应用 | 第46-51页 |
| 4.3.2 PTA系统能效分析建模及应用 | 第51-56页 |
| 4.4 本章小结 | 第56-57页 |
| 第五章 能效建模与分析方法原型系统设计与实现 | 第57-65页 |
| 5.1 系统设计 | 第57-58页 |
| 5.1.1 相关技术 | 第57页 |
| 5.1.2 系统整体架构 | 第57-58页 |
| 5.2 系统功能设计 | 第58-59页 |
| 5.3 能效分析与优化系统的模块设计 | 第59-63页 |
| 5.3.1 化工数据统计分析模块 | 第59-60页 |
| 5.3.2 化工能效建模与分析模块 | 第60-63页 |
| 5.4 本章小结 | 第63-65页 |
| 第六章 总结与展望 | 第65-67页 |
| 6.1 总结 | 第65页 |
| 6.2 展望 | 第65-67页 |
| 参考文献 | 第67-71页 |
| 致谢 | 第71-73页 |
| 研究成果及发表的学术论文 | 第73-75页 |
| 作者和导师简介 | 第75-77页 |
| 附件 | 第77-78页 |
