| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 符号一览表 | 第7-10页 |
| 1 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 配煤模型的国内外研究现状 | 第11-14页 |
| 1.2.1 配煤预测模型研究现状 | 第11-13页 |
| 1.2.2 配煤优化模型研究现状 | 第13-14页 |
| 1.3 配煤软件国内外研究现状 | 第14-15页 |
| 1.4 本论文研究内容及组织架构 | 第15-16页 |
| 2 相关理论与技术 | 第16-22页 |
| 2.1 多元线性回归分析理论介绍 | 第16-17页 |
| 2.1.1 多元线性回归分析数学模型 | 第16-17页 |
| 2.1.2 多元线性回归分析的最小二乘法 | 第17页 |
| 2.2 BP神经网络简介 | 第17-20页 |
| 2.2.1 BP神经网络结构 | 第17-19页 |
| 2.2.2 BP神经网络学习算法描述 | 第19-20页 |
| 2.3 遗传算法概述 | 第20-21页 |
| 2.3.1 遗传算法的原理及基本操作 | 第20页 |
| 2.3.2 遗传算法的基本流程 | 第20-21页 |
| 2.4 本章小节 | 第21-22页 |
| 3 气化用煤配煤预测模型 | 第22-37页 |
| 3.1 配煤煤质概述 | 第22页 |
| 3.2 基于多元线性回归的灰流动温度预测模型 | 第22-25页 |
| 3.2.1 回归模型建立 | 第23-24页 |
| 3.2.2 模型验证与分析 | 第24-25页 |
| 3.3 基于BP神经网络的灰流动温度预测模型 | 第25-30页 |
| 3.3.1 BP神经网络预测方法步骤 | 第25-27页 |
| 3.3.2 网络结构设计 | 第27-29页 |
| 3.3.3 模型验证与分析 | 第29-30页 |
| 3.4 基于GA-BP神经网络的灰流动温度预测模型 | 第30-33页 |
| 3.4.1 遗传算法优化BP神经网络 | 第30-32页 |
| 3.4.2 模型验证与分析 | 第32-33页 |
| 3.5 线性回归、BP以及GA-BP的预测效果对比 | 第33-34页 |
| 3.6 煤灰黏度预测模型 | 第34-35页 |
| 3.7 本章小节 | 第35-37页 |
| 4 气化用煤配煤优化模型 | 第37-46页 |
| 4.1 配煤约束条件 | 第37-38页 |
| 4.2 配煤目标函数 | 第38-39页 |
| 4.3 配煤优化模型建立 | 第39-40页 |
| 4.4 基于Matlab优化工具箱的模型求解 | 第40-41页 |
| 4.5 基于遗传算法的模型求解 | 第41-44页 |
| 4.5.1 适应度函数设计 | 第41-42页 |
| 4.5.2 基于遗传算法的优化模型求解流程 | 第42-44页 |
| 4.6 结果对比与分析 | 第44-45页 |
| 4.7 本章小节 | 第45-46页 |
| 5 动态配煤系统设计与实现 | 第46-62页 |
| 5.1 系统功能分析与设计 | 第46-48页 |
| 5.2 系统开发平台及技术 | 第48-49页 |
| 5.3 数据库设计 | 第49-52页 |
| 5.3.1 数据分类 | 第49页 |
| 5.3.2 数据表设计 | 第49-52页 |
| 5.4 系统核心功能实现 | 第52-54页 |
| 5.5 系统功能测试 | 第54-61页 |
| 5.6 本章小节 | 第61-62页 |
| 6 结论 | 第62-63页 |
| 6.1 工作总结 | 第62页 |
| 6.2 研究展望 | 第62-63页 |
| 致谢 | 第63-64页 |
| 参考文献 | 第64-68页 |
| 附录 | 第68-73页 |