| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 国内外研究动态 | 第10-13页 |
| 1.3 本文主要工作 | 第13-14页 |
| 1.4 本章小结 | 第14-15页 |
| 第2章 污染物排放监测与异常数据模型 | 第15-22页 |
| 2.1 烟气在线监测系统介绍 | 第15-16页 |
| 2.2 污染物排放异常数据来源分析 | 第16-19页 |
| 2.2.1 烟气在线监测数据异常的系统原因 | 第16-17页 |
| 2.2.2 人为造假 | 第17-19页 |
| 2.3 污染物排放异常数据模型 | 第19-21页 |
| 2.3.1 限值模型 | 第19-20页 |
| 2.3.2 稀释模型 | 第20-21页 |
| 2.4 本章小结 | 第21-22页 |
| 第3章 集成支持向量机算法研究 | 第22-34页 |
| 3.1 支持向量机 | 第22-26页 |
| 3.2 集成学习 | 第26-28页 |
| 3.3 基于相似度加权的支持向量机集成技术 | 第28-33页 |
| 3.3.1 CeBag-SVM算法 | 第28-30页 |
| 3.3.2 相似度计算方法--(MSET) | 第30-31页 |
| 3.3.3 WCeBag-SVM算法原理 | 第31-32页 |
| 3.3.4 实验验证结果与分析 | 第32-33页 |
| 3.4 本章小结 | 第33-34页 |
| 第4章 基于WCEBAG-SVM算法的脱硫系统建模 | 第34-39页 |
| 4.1 脱硫理论 | 第34-35页 |
| 4.2 变量选取及数据预处理 | 第35-37页 |
| 4.2.1 剔除错误数据及吹扫校准时刻数据 | 第35-36页 |
| 4.2.2 标准化处理 | 第36-37页 |
| 4.3 历史记忆矩阵构建 | 第37页 |
| 4.4 脱硫系统模型有效性验证 | 第37-38页 |
| 4.5 本章小结 | 第38-39页 |
| 第5章 基于半监督学习方法的火电厂污染物排放异常数据检测 | 第39-44页 |
| 5.1 异常数据检测基本原理 | 第39-40页 |
| 5.2 性能评价指标 | 第40页 |
| 5.3 异常检测仿真及结果分析 | 第40-43页 |
| 5.3.1 限值模型产生的异常数据检测结果 | 第41-42页 |
| 5.3.2 稀释模型产生的异常数据检测结果 | 第42-43页 |
| 5.4 本章小结 | 第43-44页 |
| 第6章 结论与展望 | 第44-46页 |
| 参考文献 | 第46-49页 |
| 攻读硕士学位期间发表的论文及其他成果 | 第49-50页 |
| 致谢 | 第50页 |