基于K-ELM的回转窑喂煤量趋势预测
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 研究背景 | 第10页 |
| 1.2 回转窑结构及反应原理 | 第10-12页 |
| 1.3 国内外研究现状 | 第12-15页 |
| 1.3.1 回转窑研究现状 | 第12-14页 |
| 1.3.2 极限学习机研究现状 | 第14-15页 |
| 1.4 选题意义 | 第15页 |
| 1.5 本文的主要内容与论文结构 | 第15-17页 |
| 第2章 回转窑热工数据趋势提取 | 第17-25页 |
| 2.1 数据预处理 | 第17-20页 |
| 2.1.1 数据预处理的基本内容 | 第17-19页 |
| 2.1.2 回转窑热工数据预处理 | 第19-20页 |
| 2.2 数据样本趋势特征提取 | 第20-24页 |
| 2.2.1 时序数据趋势提取方法介绍 | 第20-21页 |
| 2.2.2 喂煤关键点确定 | 第21-23页 |
| 2.2.3 数据趋势的直线拟合 | 第23-24页 |
| 2.3 本章小结 | 第24-25页 |
| 第3章 神经网络和极限学习机 | 第25-32页 |
| 3.1 人工神经网络 | 第25-27页 |
| 3.1.1 人工神经元 | 第25-26页 |
| 3.1.2 神经网络基本类型 | 第26-27页 |
| 3.2 极限学习机 | 第27-31页 |
| 3.2.1 单隐层前馈神经网络 | 第27-28页 |
| 3.2.2 极限学习机 | 第28-31页 |
| 3.3 本章小结 | 第31-32页 |
| 第4章 基于核函数的极限学习机 | 第32-41页 |
| 4.1 核函数理论 | 第32-33页 |
| 4.1.1 核函数基础 | 第32页 |
| 4.1.2 核函数应用 | 第32-33页 |
| 4.2 基于映射思想的极限学习机 | 第33-34页 |
| 4.3 实验仿真 | 第34-40页 |
| 4.3.1 几种不同学习算法的回归分析 | 第35-38页 |
| 4.3.2 几种不同学习算法的分类问题 | 第38-40页 |
| 4.4 本章小结 | 第40-41页 |
| 第5章 基于 K-ELM 喂煤趋势预测 | 第41-50页 |
| 5.1 基于 K-ELM 的喂煤趋势预测模型 | 第41-42页 |
| 5.2 喂煤量变化趋势特征数据集生成 | 第42-43页 |
| 5.2.1 数据预处理 | 第42页 |
| 5.2.2 基于时间序列趋势特征的训练样本集合 | 第42-43页 |
| 5.3 K-ELM 模型的设计 | 第43-44页 |
| 5.3.1 预测模型参数优化 | 第43-44页 |
| 5.3.2 基于 K-ELM 的喂煤预测 | 第44页 |
| 5.4 实验分析 | 第44-49页 |
| 5.4.1 模型的参数寻优仿真 | 第44-45页 |
| 5.4.2 不同模型对趋势数据的预测 | 第45-49页 |
| 5.5 本章小结 | 第49-50页 |
| 总结和展望 | 第50-52页 |
| 参考文献 | 第52-56页 |
| 附录 A 攻读硕士学位期间所发表的学术论文目录 | 第56-57页 |
| 附录 B 攻读硕士学位期间参研项目 | 第57-58页 |
| 致谢 | 第58页 |
