| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第13-33页 |
| 1.1 研究背景及意义 | 第13-14页 |
| 1.2 热工过程数据流及其挖掘方法研究现状 | 第14-18页 |
| 1.3 故障诊断方法研究现状 | 第18-24页 |
| 1.4 论文主要研究内容 | 第24-25页 |
| 参考文献 | 第25-33页 |
| 第二章 基于改进输入型训练神经网络的非线性建模方法 | 第33-53页 |
| 2.1 引言 | 第33-34页 |
| 2.2 线性和非线性主成分分析算法 | 第34-40页 |
| 2.3 改进输入型训练神经网络方法 | 第40-45页 |
| 2.4 基于MITNN的燃气蒸汽联合循环机组特性建模 | 第45-49页 |
| 2.5 本章小结 | 第49页 |
| 参考文献 | 第49-53页 |
| 第三章 融合过程先验知识的输入型训练神经网络建模方法 | 第53-73页 |
| 3.1 引言 | 第53-55页 |
| 3.2 融合等式约束的FITNN模型 | 第55-56页 |
| 3.3 融合不等式约束的FITNN模型 | 第56-57页 |
| 3.4 融合单调性约束的FITNN模型 | 第57-61页 |
| 3.5 融合凹凸性约束的FITNN模型 | 第61-65页 |
| 3.6 算例分析 | 第65-70页 |
| 3.7 本章小结 | 第70-71页 |
| 参考文献 | 第71-73页 |
| 第四章 基于RBITNN的非线性系统故障诊断方法 | 第73-99页 |
| 4.1 引言 | 第73-74页 |
| 4.2 基于重构神经网络的故障分离方法 | 第74-81页 |
| 4.3 基于RBITNN的非线性系统故障诊断流程 | 第81页 |
| 4.4 算例分析 | 第81-95页 |
| 4.5 本章小结 | 第95页 |
| 参考文献 | 第95-99页 |
| 第五章 基于IRBITNN的故障诊断方法研究及其应用 | 第99-113页 |
| 5.1 引言 | 第99-100页 |
| 5.2 基于IRBITNN的故障诊断方法 | 第100-108页 |
| 5.3 基于IRBITNN的燃气蒸汽联合循环机组故障诊断 | 第108-110页 |
| 5.4 本章小结 | 第110-111页 |
| 参考文献 | 第111-113页 |
| 第六章 结论与展望 | 第113-115页 |
| 6.1 论文主要工作与结论 | 第113-114页 |
| 6.2 本文后续研究展望 | 第114-115页 |
| 攻读博士期间发表或录用的论文 | 第115-117页 |
| 致谢 | 第117页 |
