| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题背景 | 第10-11页 |
| 1.2 反应堆功率监测技术研究现状 | 第11-12页 |
| 1.3 功率监测相关传感器误差补偿技术研究现状 | 第12-13页 |
| 1.4 本文主要研究内容和工作 | 第13-16页 |
| 第2章 反应堆功率监测系统误差分析 | 第16-40页 |
| 2.1 反应堆功率监测系统及误差分析 | 第16-32页 |
| 2.1.1 基于一回路参数测量的反应堆功率监测方案及误差分析 | 第16-22页 |
| 2.1.2 基于二回路参数测量的反应堆功率监测方案及误差分析 | 第22-31页 |
| 2.1.3 反应堆功率监测系统误差补偿思路 | 第31-32页 |
| 2.2 反应堆功率监测相关参数监测及误差分析 | 第32-34页 |
| 2.2.1 温度监测及误差分析 | 第32-33页 |
| 2.2.2 压力监测及误差分析 | 第33页 |
| 2.2.3 流量监测及误差分析 | 第33-34页 |
| 2.3 反应堆功率监测误差分类及补偿 | 第34-38页 |
| 2.3.1 直接测量误差及其补偿 | 第34-36页 |
| 2.3.2 间接测量误差及其补偿 | 第36-38页 |
| 2.4 本章小结 | 第38-40页 |
| 第3章 基于RBF神经网络的误差补偿技术研究 | 第40-68页 |
| 3.1 神经网络基础 | 第40-42页 |
| 3.2 神经网络比较与选择 | 第42-46页 |
| 3.2.1 BP神经网络 | 第42-44页 |
| 3.2.2 RBF神经网络 | 第44-45页 |
| 3.2.3 神经网络的选择 | 第45-46页 |
| 3.3 RBF神经网络误差补偿可行性研究 | 第46-48页 |
| 3.4 应用于误差补偿的RBF神经网络结构 | 第48-54页 |
| 3.4.1 具有固定中心的RBF神经网络 | 第48-50页 |
| 3.4.2 基于随机梯度训练方法的RBF神经网络 | 第50-51页 |
| 3.4.3 基于OLS算法的RBF神经网络 | 第51-54页 |
| 3.5 RBF神经网络误差补偿效果验证 | 第54-66页 |
| 3.5.1 神经网络训练与测试 | 第54页 |
| 3.5.2 K型热电偶非线性误差补偿及结果分析 | 第54-61页 |
| 3.5.3 弯管流量计间接测量误差补偿效果及分析 | 第61-66页 |
| 3.6 本章小结 | 第66-68页 |
| 第4章 基于数字化技术的反应堆功率测量误差补偿方法研究 | 第68-86页 |
| 4.1 核电站仪控系统数字化过程概述 | 第68-69页 |
| 4.2 核电站仪控系统数字化方案与改造研究 | 第69-70页 |
| 4.2.1 核电站仪控系统数字化方案 | 第69页 |
| 4.2.2 核电站仪控系统数字化改造研究 | 第69-70页 |
| 4.3 数字化仪控系统反应堆功率监测方案误差补偿可行性分析 | 第70-72页 |
| 4.4 基于智能传感器的反应堆功率测量误差补偿技术实现 | 第72-84页 |
| 4.4.1 智能传感器技术概述 | 第72-73页 |
| 4.4.2 基于智能传感器的误差补偿实现方案 | 第73-79页 |
| 4.4.3 基于智能传感器的误差补偿方案验证 | 第79-84页 |
| 4.5 本章小结 | 第84-86页 |
| 结论 | 第86-88页 |
| 参考文献 | 第88-92页 |
| 攻读硕士期间发表的论文和取得的科研成果 | 第92-94页 |
| 致谢 | 第94页 |
