| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-18页 |
| 1.1 课题背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-17页 |
| 1.2.1 国内外粉尘浓度技术测量方法 | 第10-13页 |
| 1.2.2 国内外粉尘浓度在线监测技术的现状 | 第13-14页 |
| 1.2.3 软测量方法在燃煤机组中的应用现状及趋势 | 第14-15页 |
| 1.2.4 粉尘浓度在线监测技术存在问题及发展趋势 | 第15-17页 |
| 1.3 本文的主要工作 | 第17-18页 |
| 第2章 电站锅炉粉尘浓度排放特性反向建模方法介绍 | 第18-27页 |
| 2.1 支持向量机方法介绍 | 第19-21页 |
| 2.1.1 支持向量机 | 第19-21页 |
| 2.2 神经网络介绍 | 第21-24页 |
| 2.2.1 BP神经网络结构 | 第22-23页 |
| 2.2.2 BP神经网络训练过程 | 第23-24页 |
| 2.3 遗传算法 | 第24-26页 |
| 2.3.1 遗传算法对支持向量机的优化 | 第25页 |
| 2.3.2 遗传算法对BP神经网络的优化 | 第25-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第3章 基于平均影响值的粉尘浓度特性参数选取 | 第27-33页 |
| 3.1 特征选择的目标和优点 | 第27页 |
| 3.2 特征选择的常用方法 | 第27-28页 |
| 3.3 平均影响值方法介绍 | 第28-30页 |
| 3.4 基于平均影响值的粉尘浓度特性参数选取 | 第30-31页 |
| 3.5 本章小结 | 第31-33页 |
| 第4章 锅炉粉尘排放浓度在线监测模型研究 | 第33-46页 |
| 4.1 粉尘排放浓度在线监测模型输入变量的确定及建模数据的选取 | 第33-34页 |
| 4.2 基于支持向量机的粉尘排放浓度模型 | 第34-40页 |
| 4.2.1 特征选择前建模结果分析 | 第34-36页 |
| 4.2.2 特征选择后建模结果分析 | 第36-39页 |
| 4.2.3 结果对比分析 | 第39-40页 |
| 4.3 基于神经网络方法的粉尘浓度模型 | 第40-45页 |
| 4.3.1 特征选择前建模结果分析 | 第40-42页 |
| 4.3.2 特征选择后建模结果分析 | 第42-44页 |
| 4.3.3 结果对比分析 | 第44-45页 |
| 4.4 本章小结 | 第45-46页 |
| 第5章 粉尘浓度在线监测系统软测量校准 | 第46-51页 |
| 5.1 现有粉尘浓度监测系统介绍 | 第46-50页 |
| 5.1.1 现场条件 | 第46-48页 |
| 5.1.2 LMS181颗粒物排放连续监测系统 | 第48-49页 |
| 5.1.3 粉尘浓度在线监测系统软测量校准技术实现 | 第49-50页 |
| 5.2 本章小结 | 第50-51页 |
| 第6章 结论与展望 | 第51-53页 |
| 6.1 全文总结 | 第51页 |
| 6.2 展望 | 第51-53页 |
| 参考文献 | 第53-57页 |
| 攻读硕士学位期间发表的论文 | 第57-58页 |
| 致谢 | 第58页 |
