| 中文摘要 | 第1页 |
| 英文摘要 | 第3-6页 |
| 第一章 引言 | 第6-12页 |
| ·选题背景及意义 | 第6-9页 |
| ·新能源利用现状与发展趋势 | 第6-7页 |
| ·生物质能概述 | 第7-9页 |
| ·生物质气化建模研究动态 | 第9页 |
| ·本文研究内容 | 第9-10页 |
| ·论文结构安排 | 第10页 |
| ·本章小结 | 第10-12页 |
| 第二章 生物质气化过程的机理分析 | 第12-23页 |
| ·生物质气化反应原理 | 第12-13页 |
| ·生物质气化指标和影响因素 | 第13-19页 |
| ·气化指标 | 第13-15页 |
| ·气化影响因素分析 | 第15-19页 |
| ·气体低位热值 | 第15-16页 |
| ·气体产率 | 第16-17页 |
| ·气化效率 | 第17-18页 |
| ·碳转化率 | 第18-19页 |
| ·气化气的焦油净化 | 第19-21页 |
| ·焦油的特性 | 第19-20页 |
| ·焦油的催化裂解 | 第20-21页 |
| ·本章小结 | 第21-23页 |
| 第三章 基于最小二乘支持向量机的生物质气化过程建模 | 第23-39页 |
| ·统计学习理论 | 第23-28页 |
| ·机器学习的基础知识 | 第23-25页 |
| ·统计学习理论的基础知识 | 第25-28页 |
| ·支持向量机算法介绍 | 第28-33页 |
| ·支持向量机(SVM)发展概况 | 第28-29页 |
| ·支持向量机分类算法 | 第29-31页 |
| ·支持向量机回归算法 | 第31-33页 |
| ·基于最小二乘支持向量机(LS-SVM)的生物质气化过程建模 | 第33-38页 |
| ·最小二乘支持向量机(LS-SVM)原理 | 第33-35页 |
| ·基于LS-SVM的生物质气化过程建模 | 第35-36页 |
| ·参数选择 | 第35-36页 |
| ·变量选择 | 第36页 |
| ·仿真结果与分析 | 第36-38页 |
| ·本章小结 | 第38-39页 |
| 第四章 生物质气化过程的神经网络建模 | 第39-56页 |
| ·人工神经网络简介 | 第39-41页 |
| ·人工神经网络的起源与发展 | 第39-40页 |
| ·神经网络的特点 | 第40-41页 |
| ·神经网络的结构与原理 | 第41-45页 |
| ·神经元的结构 | 第41-42页 |
| ·神经网络的结构 | 第42-43页 |
| ·神经网络的学习方法 | 第43-45页 |
| ·BP神经网络算法及其改进 | 第45-50页 |
| ·BP神经网络结构原理 | 第46-48页 |
| ·Levenberg-Marquardt(L-M)算法 | 第48-50页 |
| ·L-M算法原理 | 第48-49页 |
| ·L-M算法流程 | 第49-50页 |
| ·生物质气化过程的神经网络建模与研究 | 第50-54页 |
| ·神经网络建模 | 第50-51页 |
| ·神经网络模型与LS-SVM模型效果研究 | 第51-54页 |
| ·神经网络模型与LS-SVM模型预测结果对比 | 第54页 |
| ·本章小结 | 第54-56页 |
| 第五章 结论与展望 | 第56-58页 |
| ·论文工作总结 | 第56-57页 |
| ·课题研究展望 | 第57-58页 |
| 参考文献 | 第58-61页 |
| 致谢 | 第61-62页 |
| 在校期间发表的学术论文和参加科研情况 | 第62页 |
