| 摘要 | 第10-12页 |
| ABSRACT | 第12-13页 |
| 第一章 绪论 | 第14-18页 |
| 1.1 课题背景及意义 | 第14-15页 |
| 1.2 燃煤机组燃烧优化算法国内外应用研究现状 | 第15-16页 |
| 1.3 存在的问题与难点 | 第16页 |
| 1.4 本文主要工作 | 第16-18页 |
| 第二章 燃煤机组燃烧效率计算及优化基础知识 | 第18-30页 |
| 2.1 锅炉系统简介 | 第18-20页 |
| 2.2 锅炉热平衡 | 第20-24页 |
| 2.3 锅炉热效率 | 第24-25页 |
| 2.4 锅炉修正热效率 | 第25-28页 |
| 2.5 本章小结 | 第28-30页 |
| 第三章 基于支持向量机的建模理论基础 | 第30-42页 |
| 3.1 支持向量机理论基础 | 第30-35页 |
| 3.1.1 VC维 | 第30-32页 |
| 3.1.2 结构风险最小化原则 | 第32-33页 |
| 3.1.3 最优分类超平面 | 第33-35页 |
| 3.2 非线性支持向量机 | 第35-38页 |
| 3.2.1 核函数 | 第36-37页 |
| 3.2.2 非线性支持向量机 | 第37-38页 |
| 3.3 回归型支持向量机 | 第38-41页 |
| 3.3.1 回归问题概述 | 第38-39页 |
| 3.3.2 非线性回归支持向量机 | 第39-41页 |
| 3.4 本章小结 | 第41-42页 |
| 第四章 最小二乘支持向量机辨识算法 | 第42-58页 |
| 4.1 最小二乘算法概述 | 第42-46页 |
| 4.1.1最小二乘准则 | 第42-43页 |
| 4.1.2 批处理最小二乘法 | 第43-45页 |
| 4.1.3 递推最小二乘法 | 第45-46页 |
| 4.2 最小二乘支持向量机辨识算法 | 第46-48页 |
| 4.2.1 最小二乘支持向量机用于函数逼近 | 第46-48页 |
| 4.3 基于非线性ARX Hammerstein模型的LSSVM辨识算法 | 第48-56页 |
| 4.3.1 SISO系统的LSSVM辨识算法 | 第48-53页 |
| 4.3.2 MIMO系统的LSSVM辨识算法 | 第53-56页 |
| 4.4 基于LSSVM的Hammerstein模型辨识仿真验证 | 第56-57页 |
| 4.5 本章小结 | 第57-58页 |
| 第五章 稳态优化算法的研究 | 第58-70页 |
| 5.1 优化算法概述 | 第58-60页 |
| 5.1.1 终止条件 | 第58-59页 |
| 5.1.2 下降方向 | 第59页 |
| 5.1.3 收敛速度 | 第59-60页 |
| 5.2 线搜索技术 | 第60-62页 |
| 5.2.1 精确线搜索技术 | 第60-61页 |
| 5.2.2 非精确线搜索技术 | 第61-62页 |
| 5.3 最速下降法以及牛顿法 | 第62-63页 |
| 5.3.1 最速下降法 | 第62页 |
| 5.3.2 牛顿法以及修正算法 | 第62-63页 |
| 5.4 共轭梯度法 | 第63-64页 |
| 5.4.1 共轭方向法 | 第63页 |
| 5.4.2 共轭梯度法 | 第63-64页 |
| 5.5 拟牛顿法 | 第64-67页 |
| 5.5.1 拟牛顿法介绍 | 第64-65页 |
| 5.5.2 BFGS算法 | 第65-67页 |
| 5.6 稳态优化算法仿真验证 | 第67-68页 |
| 5.7 本章小结 | 第68-70页 |
| 第六章 通过氧量优化设定实现锅炉在线燃烧优化的仿真研究 | 第70-78页 |
| 6.1 在线燃烧优化控制算法仿真研究 | 第70-72页 |
| 6.1.1 优化目标函数模型 | 第70-71页 |
| 6.1.2 辨识优化算法仿真 | 第71-72页 |
| 6.2 锅炉燃烧效率数学模型 | 第72-75页 |
| 6.4 仿真结果 | 第75-76页 |
| 6.5 本章小结 | 第76-78页 |
| 第七章 总结与展望 | 第78-80页 |
| 7.1 本文工作总结 | 第78页 |
| 7.2 研究展望 | 第78-80页 |
| 参考文献 | 第80-84页 |
| 致谢 | 第84-86页 |
| 攻读硕士学位期间发表的论文及参加的科研工作 | 第86-87页 |
| 附件 | 第87页 |
