| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 课题背景及研究意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-17页 |
| 1.2.1 国内外粉尘浓度监测技术现状 | 第12-14页 |
| 1.2.2 软测量方法在燃煤机组中的应用现状及趋势 | 第14-17页 |
| 1.3 本文的主要工作 | 第17-18页 |
| 第2章 粉尘浓度监测模型中的软测量方法 | 第18-28页 |
| 2.1 支持向量机（SVM） | 第18-23页 |
| 2.1.1 支持向量机概述 | 第18-19页 |
| 2.1.2 原理介绍 | 第19-23页 |
| 2.2 BP神经网络 | 第23-26页 |
| 2.2.1 BP神经网络概述 | 第23-25页 |
| 2.2.2 BP神经网络训练过程 | 第25-26页 |
| 2.3 本章小结 | 第26-28页 |
| 第3章 粉尘浓度特征参数选择 | 第28-36页 |
| 3.1 特征选择算法概述 | 第28-30页 |
| 3.2 F-SSFS混合型特征选择方法 | 第30-33页 |
| 3.2.1 混合算法概述 | 第30-31页 |
| 3.2.2 Fisher score算法 | 第31页 |
| 3.2.3 支持顺序前向搜索（SSFS） | 第31-33页 |
| 3.3 平均影响值法MIV | 第33-34页 |
| 3.4 本章小结 | 第34-36页 |
| 第4章 基于特征选择的粉尘浓度监测模型 | 第36-56页 |
| 4.1 数据收集和预处理 | 第36-40页 |
| 4.1.1 数据收集 | 第36-38页 |
| 4.1.2 数据预处理 | 第38-40页 |
| 4.2 特征选择 | 第40-44页 |
| 4.2.1 F-SSFS混合特征选择方法进行特征选择 | 第40-44页 |
| 4.2.2 平均影响值法(MIV)进行特征选择 | 第44页 |
| 4.3 软测量方法建立粉尘浓度预测模型 | 第44-55页 |
| 4.3.1 支持向量机预测模型 | 第44-49页 |
| 4.3.2 BP神经网络预测模型 | 第49-53页 |
| 4.3.3 SVM模型和BPNN的预测精度比较 | 第53-55页 |
| 4.4 本章小结 | 第55-56页 |
| 第5章 结论与展望 | 第56-58页 |
| 5.1 全文总结 | 第56-57页 |
| 5.2 展望 | 第57-58页 |
| 参考文献 | 第58-64页 |
| 致谢 | 第64页 |