基于火焰自由基和软测量方法的燃烧污染物预测
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-13页 |
| 1.1 课题背景及研究的目的和意义 | 第9页 |
| 1.2 燃烧污染物检测方法的国内外研究现状 | 第9-11页 |
| 1.3 本文研究内容 | 第11-13页 |
| 第2章 火焰自由基的图像处理 | 第13-26页 |
| 2.1 燃烧火焰中的自由基 | 第13-15页 |
| 2.1.1 火焰自由基概念和作用 | 第13-14页 |
| 2.1.2 火焰自由基图像的获取 | 第14-15页 |
| 2.2 图像预处理 | 第15-24页 |
| 2.2.1 图像去噪 | 第15-20页 |
| 2.2.1.1 小波图像去噪 | 第15-16页 |
| 2.2.1.2 小波阂值去噪基本原理 | 第16-17页 |
| 2.2.1.3 小波阈值函数选取 | 第17-18页 |
| 2.2.1.4 小波阈值选取 | 第18-20页 |
| 2.2.2 图像分割 | 第20-24页 |
| 2.2.2.1 图像分割概述 | 第20-22页 |
| 2.2.2.2 模糊C均值聚类算法原理及优势 | 第22-24页 |
| 2.3 特征提取 | 第24页 |
| 2.4 本章小结 | 第24-26页 |
| 第3章 基于BP神经网络的燃烧污染物预测 | 第26-36页 |
| 3.1 人工神经网络 | 第26-30页 |
| 3.1.1 BP神经网络 | 第26-28页 |
| 3.1.2 BP神经网络算法设计 | 第28-30页 |
| 3.2 BP神经网络预测NO_x排放量仿真结果 | 第30-32页 |
| 3.2.1 训练过程及仿真结果 | 第30-31页 |
| 3.2.2 预测过程及仿真结果 | 第31-32页 |
| 3.3 神经网络变量筛选 | 第32-35页 |
| 3.4 本章小结 | 第35-36页 |
| 第4章 基于极限学习机的燃烧污染物预测 | 第36-42页 |
| 4.1 极限学习机 | 第36-37页 |
| 4.2 极限学习机算法步骤 | 第37-39页 |
| 4.3 极限学习机预测NO_x排放量仿真结果 | 第39-41页 |
| 4.4 本章小结 | 第41-42页 |
| 第5章 结论与展望 | 第42-43页 |
| 5.1 结论 | 第42页 |
| 5.2 展望 | 第42-43页 |
| 参考文献 | 第43-47页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第47-48页 |
| 致谢 | 第48页 |
