| 摘要 | 第1-5页 |
| ABSTRACT | 第5-11页 |
| 第一章 绪论 | 第11-15页 |
| ·选题的目的和意义 | 第11-13页 |
| ·本文的主要内容 | 第13-15页 |
| 第二章 低NO_x燃烧技术综述 | 第15-31页 |
| ·煤燃烧中NO_x的生成机理 | 第15-22页 |
| ·热力型NO_x | 第16-17页 |
| ·燃料型NO_x | 第17-21页 |
| ·快速型NO_x | 第21页 |
| ·抑制NO_x生成的理论依据 | 第21-22页 |
| ·影响NO_x排放的主要因素 | 第22-24页 |
| ·煤种对NO_x生成量的影响 | 第22页 |
| ·过量空气系数对NO_x生成量的影响 | 第22-23页 |
| ·锅炉负荷对NO_x排放量的影响 | 第23页 |
| ·二次风配风方式对NO_x排放量的影响 | 第23页 |
| ·一次风对NO_x生成量的影响 | 第23-24页 |
| ·降低NO_x排放的技术 | 第24-26页 |
| ·低NO_x燃烧技术 | 第24-25页 |
| ·烟气处理方法 | 第25-26页 |
| ·煤粉锅炉燃烧优化的国内外发展动态 | 第26-29页 |
| ·国外燃烧优化技术和发展 | 第26-28页 |
| ·国内燃烧技术发展和应用 | 第28-29页 |
| ·本章小结 | 第29-31页 |
| 第三章 BP-adaboost算法在燃烧特性建模中的应用 | 第31-57页 |
| ·人工神经网络综述 | 第31-32页 |
| ·BP神经网络 | 第32-38页 |
| ·BP网络模型结构及学习规则 | 第32-33页 |
| ·BP算法的改进算法——基于贝叶斯规范化的Levenberg-Marquardt法 | 第33-37页 |
| ·BP神经网络设计原则 | 第37-38页 |
| ·BP神经网络的限制和不足 | 第38页 |
| ·BP-adaboost算法 | 第38-42页 |
| ·Boosting算法背景 | 第38-39页 |
| ·Adaboost算法的提出 | 第39-40页 |
| ·BP-adaboost算法 | 第40-42页 |
| ·研究对象简介 | 第42-45页 |
| ·锅炉设备简介 | 第42-43页 |
| ·试验数据处理原则 | 第43-44页 |
| ·试验数据 | 第44-45页 |
| ·建立NO_x排放的预测模型 | 第45-52页 |
| ·模型的输入、输出设计 | 第45页 |
| ·NO_x预测模型的设计 | 第45-47页 |
| ·网络训练与测试 | 第47-52页 |
| ·建立飞灰含碳量的预测模型 | 第52-54页 |
| ·本章小节 | 第54-57页 |
| 第四章 遗传算法在煤粉炉低NO_x燃烧中的应用 | 第57-73页 |
| ·遗传算法的基本原理与算法 | 第57-63页 |
| ·编码 | 第57-59页 |
| ·遗传算法的基本算子 | 第59-61页 |
| ·适应度值 | 第61-62页 |
| ·约束条件的处理 | 第62-63页 |
| ·多目标优化中的遗传算法 | 第63页 |
| ·遗传算法在燃煤锅炉低NO_x优化中的应用 | 第63-71页 |
| ·本章小结 | 第71-73页 |
| 第五章 粒子群算法在煤粉炉低NO_x优化调整中的应用 | 第73-91页 |
| ·群体智能概述 | 第73-74页 |
| ·PSO算法 | 第74-81页 |
| ·PSO算法的产生背景 | 第74-75页 |
| ·PSO算法更新过程 | 第75-78页 |
| ·PSO算法的终止条件 | 第78页 |
| ·PSO算法参数的选择 | 第78-81页 |
| ·利用PSO算法优化锅炉NO_x排放和锅炉效率 | 第81-87页 |
| ·优化变量的选取 | 第81页 |
| ·适应度函数的设计和约束条件的处理 | 第81-82页 |
| ·粒子群算法的参数设置 | 第82-87页 |
| ·遗传算法和粒子群算法优化结果比较 | 第87-89页 |
| ·粒子群算法PSO与遗传算法GA的异同点 | 第87页 |
| ·粒子群算法和遗传算法的优化结果比较 | 第87-89页 |
| ·本章小结 | 第89-91页 |
| 第六章 全文总结与展望 | 第91-93页 |
| ·总结 | 第91-92页 |
| ·展望 | 第92-93页 |
| 参考文献 | 第93-97页 |
| 附录 | 第97-101页 |
| 致谢 | 第101-103页 |
| 攻读硕士期间发表论文 | 第103页 |
