| 摘要 | 第7-8页 |
| ABSTRACT | 第8页 |
| 1 绪论 | 第14-21页 |
| 1.1 课题背景及意义 | 第14-15页 |
| 1.2 国内外研究现状 | 第15-18页 |
| 1.3 本文主要研究内容 | 第18-20页 |
| 1.4 本章小结 | 第20-21页 |
| 2 信号采集与预处理 | 第21-32页 |
| 2.1 静电信号采集 | 第21-23页 |
| 2.2 基于改进LMS算法的自适应滤波 | 第23-27页 |
| 2.3 仿真实验及算法比较 | 第27-29页 |
| 2.4 基于改进LMS算法的静电信号滤波 | 第29-31页 |
| 2.5 本章小结 | 第31-32页 |
| 3 基于EEMD的信号特征提取方法 | 第32-51页 |
| 3.1 静电信号特性分析 | 第32-35页 |
| 3.2 经验模态分解法(EMD) | 第35-40页 |
| 3.3 总体平均经验模态分解法(EEMD) | 第40-42页 |
| 3.4 仿真实验及对比分析 | 第42-44页 |
| 3.5 基于EEMD提取静电信号特征 | 第44-50页 |
| 3.6 本章小结 | 第50-51页 |
| 4 基于神经网络的粉尘浓度软测量模型 | 第51-68页 |
| 4.1 软测量模型的建立 | 第51-52页 |
| 4.2 基于BP神经网络的粉尘浓度软测量 | 第52-59页 |
| 4.3 基于RBF神经网络的粉尘浓度软测量 | 第59-63页 |
| 4.4 实验及误差比较 | 第63-66页 |
| 4.5 本章小结 | 第66-68页 |
| 5 软测量模型的优化与改进 | 第68-78页 |
| 5.1 遗传算法优化BP神经网络 | 第68-70页 |
| 5.2 改进的遗传算法优化BP神经网络 | 第70-73页 |
| 5.3 仿真实验及对比 | 第73-75页 |
| 5.4 基于IGABP神经网络的粉尘浓度软测量模型 | 第75-76页 |
| 5.5 本章小结 | 第76-78页 |
| 6 总结与展望 | 第78-81页 |
| 6.1 总结 | 第78-79页 |
| 6.2 展望 | 第79-81页 |
| 参考文献 | 第81-86页 |
| 致谢 | 第86-87页 |
| 攻读硕士学位期间从事科学研究及发表论文情况 | 第87页 |