| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第1章 绪论 | 第10-22页 |
| ·循环流化床烟气脱硫简介 | 第10-14页 |
| ·二氧化硫污染状况简介 | 第10-11页 |
| ·国内外烟气脱硫技术发展现状 | 第11-13页 |
| ·国内外CFB-FGD技术现状 | 第13-14页 |
| ·模糊神经网络建模在CFB-FGD过程脱硫效率预报中的应用 | 第14-17页 |
| ·模糊神经网络建模的发展 | 第14-15页 |
| ·CFB-FGD过程脱硫效率预报的现状 | 第15-17页 |
| ·模糊神经网络预报CFB-FGD过程脱硫效率的可行性 | 第17页 |
| ·课题背景与本文的主要工作 | 第17-20页 |
| ·课题背景 | 第17-19页 |
| ·本文的主要工作 | 第19-20页 |
| ·本章小结 | 第20-22页 |
| 第2章 模糊神经网络建模方法 | 第22-38页 |
| ·模糊系统与神经网络 | 第22-25页 |
| ·模糊逻辑系统与神经网络的比较 | 第22-24页 |
| ·模糊系统与神经网络结合的方式 | 第24-25页 |
| ·模糊神经网络的结构 | 第25-33页 |
| ·Mamdani模糊神经网络 | 第25-29页 |
| ·T-S模糊神经网络 | 第29-33页 |
| ·模糊神经网络的学习算法 | 第33-36页 |
| ·基于梯度下降的学习算法 | 第33-34页 |
| ·基于递推最小二乘的学习算法 | 第34-36页 |
| ·本章小结 | 第36-38页 |
| 第3章 基于改进的FCM聚类算法的T-S模糊神经网络学习算法 | 第38-52页 |
| ·聚类算法分类 | 第38-39页 |
| ·模糊C均值聚类(FCM)算法 | 第39-42页 |
| ·硬C均值聚类算法 | 第39-40页 |
| ·模糊C均值聚类算法 | 第40-42页 |
| ·最佳聚类数的确定 | 第42-46页 |
| ·典型的有效性函数 | 第42-44页 |
| ·改进的有效性函数 | 第44-46页 |
| ·T-S模糊神经网络的前件参数学习算法 | 第46-47页 |
| ·改进的FCM聚类算法 | 第46-47页 |
| ·改进的FCM聚类算法的实现步骤 | 第47页 |
| ·T-S模糊神经网络的后件参数学习算法 | 第47-48页 |
| ·仿真研究 | 第48-51页 |
| ·有效性函数的性能比较 | 第48-49页 |
| ·新算法的性能分析 | 第49-51页 |
| ·本章小结 | 第51-52页 |
| 第4章 基于T-S模糊神经网络的脱硫效率预报模型 | 第52-70页 |
| ·循环流化床脱硫机理 | 第52-55页 |
| ·增湿反应机理 | 第52-54页 |
| ·双膜传质理论 | 第54-55页 |
| ·循环流化床脱硫过程的脱硫效率机理预报模型 | 第55-58页 |
| ·模型的基本假设 | 第55-57页 |
| ·循环流化床脱硫效率模型 | 第57-58页 |
| ·预报脱硫效率的影响因素 | 第58-63页 |
| ·钙硫比(Ca/S) | 第58-59页 |
| ·趋近绝热饱和温度 | 第59-60页 |
| ·石灰浆滴初始粒径 | 第60-61页 |
| ·入口烟气温度 | 第61页 |
| ·烟气入口处SO_2浓度 | 第61-62页 |
| ·循环倍率 | 第62-63页 |
| ·应用T-S模糊神经网络实现脱硫效率的预报 | 第63-67页 |
| ·预报模型的结构 | 第63-64页 |
| ·数据采集 | 第64-65页 |
| ·前件参数辨识 | 第65-66页 |
| ·后件参数辨识 | 第66-67页 |
| ·仿真研究 | 第67-69页 |
| ·本章小结 | 第69-70页 |
| 第5章 结论 | 第70-72页 |
| ·主要结果 | 第70-71页 |
| ·不足之处 | 第71-72页 |
| 参考文献 | 第72-76页 |
| 致谢 | 第76页 |
