| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 课题来源及研究意义 | 第9-10页 |
| 1.2 国内外研究现状及发展趋势 | 第10-12页 |
| 1.2.1 人工神经网络的研究现状及发展趋势 | 第10页 |
| 1.2.2 粒子群优化算法的研究现状及发展趋势 | 第10-12页 |
| 1.3 本文研究内容及论文安排 | 第12-15页 |
| 第2章 联合制碱 | 第15-23页 |
| 2.1 联合制碱简介 | 第15-16页 |
| 2.2 新型变换气联合制碱 | 第16-19页 |
| 2.2.1 碳化过程 | 第17-18页 |
| 2.2.2 煅烧过程 | 第18-19页 |
| 2.3 联合制碱过程的控制 | 第19-20页 |
| 2.4 本章小结 | 第20-23页 |
| 第3章 PSO算法和RBF神经网络 | 第23-39页 |
| 3.1 粒子群优化算法概述 | 第23-28页 |
| 3.1.1 基本PSO算法原理 | 第23-24页 |
| 3.1.2 基本PSO算法的模型分析 | 第24-25页 |
| 3.1.3 基本PSO算法构成要素 | 第25-26页 |
| 3.1.4 粒子群优化算法的评价指标 | 第26-27页 |
| 3.1.5 粒子群优化算法的寻优过程 | 第27-28页 |
| 3.2 基本粒子群优化算法的改进 | 第28-32页 |
| 3.2.1 惯性权重的调整 | 第28-30页 |
| 3.2.2 学习因子的调节 | 第30-32页 |
| 3.2.3 与其他算法结合的技术 | 第32页 |
| 3.3 RBF神经网络 | 第32-37页 |
| 3.3.1 RBF神经网络模型 | 第32-34页 |
| 3.3.2 径向基函数 | 第34-35页 |
| 3.3.3 RBF神经网络参数的训练 | 第35-37页 |
| 3.4 本章小结 | 第37-39页 |
| 第4章 改进的PSO-RBF神经网络控制算法 | 第39-51页 |
| 4.1 改进的PSO算法 | 第39-41页 |
| 4.1.1 惯性权重的改进 | 第39-40页 |
| 4.1.2 学习因子的改进 | 第40-41页 |
| 4.2 改进PSO算法性能测试 | 第41-47页 |
| 4.2.1 测试函数 | 第41-43页 |
| 4.2.2 算法性能分析 | 第43-47页 |
| 4.3 改进的PSO-RBF神经网络控制算法 | 第47-50页 |
| 4.3.1 优化参数 | 第47页 |
| 4.3.2 PSO算法优化RBF神经网络的过程 | 第47-49页 |
| 4.3.3 实验验证及分析 | 第49-50页 |
| 4.4 本章小结 | 第50-51页 |
| 第5章 改进的PSO-RBF神经网络在联合制碱中的应用 | 第51-59页 |
| 5.1 在碳化过程中的应用 | 第51-55页 |
| 5.1.1 碳化过程参数分析 | 第51-52页 |
| 5.1.2 碳化过程建模 | 第52-53页 |
| 5.1.3 仿真结果及分析 | 第53-55页 |
| 5.2 在煅烧过程中的应用 | 第55-58页 |
| 5.2.1 煅烧过程参数分析 | 第55-56页 |
| 5.2.2 煅烧过程建模 | 第56页 |
| 5.2.3 仿真结果及分析 | 第56-58页 |
| 5.3 本章小结 | 第58-59页 |
| 结论 | 第59-61页 |
| 参考文献 | 第61-65页 |
| 攻读硕士学位期间所发表的论文 | 第65-67页 |
| 致谢 | 第67页 |