| 中文摘要 | 第1-7页 |
| 英文摘要 | 第7-13页 |
| 第一章 绪论 | 第13-37页 |
| ·本课题的研究意义 | 第13-16页 |
| ·安全性意义 | 第13-15页 |
| ·经济性意义 | 第15页 |
| ·环保意义 | 第15-16页 |
| ·国内外的研究背景 | 第16-35页 |
| ·火焰检测技术的发展历程 | 第16-20页 |
| ·传统的火焰检测技术 | 第17-18页 |
| ·火焰监视工业电视 | 第18-19页 |
| ·火焰图像识别技术 | 第19-20页 |
| ·火焰检测分类 | 第20-27页 |
| ·按检测方式分类 | 第20-21页 |
| ·按检测形式分类 | 第21-25页 |
| ·按检测系统结构分类 | 第25-27页 |
| ·基于火焰图像的燃烧状态监测研究现状 | 第27-29页 |
| ·火焰燃烧状态监测中人工智能算法的应用研究现状 | 第29-31页 |
| ·研究与应用中存在的问题 | 第31-35页 |
| ·本文的研究内容与目标 | 第35-37页 |
| 第二章 锅炉火焰图像处理技术 | 第37-78页 |
| ·引言 | 第37-38页 |
| ·火焰图像采集系统的构成 | 第38-43页 |
| ·光学传像装置 | 第39-40页 |
| ·CCD 摄像机 | 第40-42页 |
| ·视频采集卡 | 第42-43页 |
| ·火焰图像采集原理 | 第43-48页 |
| ·图像原理 | 第43-45页 |
| ·数字图像处理系统 | 第45-48页 |
| ·火焰图像预处理 | 第48-61页 |
| ·图像噪声分析 | 第49-50页 |
| ·图像噪声处理 | 第50-53页 |
| ·自适应投票法快速中值滤波（AVMF） | 第53-58页 |
| ·投票算法 | 第53-55页 |
| ·自适应滤波算法 | 第55-56页 |
| ·自适应投票算法及测试 | 第56-58页 |
| ·图像的增强处理 | 第58-61页 |
| ·火焰图像的特征提取 | 第61-77页 |
| ·灰度阈值法分割图像 | 第61页 |
| ·用边缘检测算子分割图像 | 第61-62页 |
| ·用遗传算法分割图像 | 第62-69页 |
| ·遗传算法 | 第62-63页 |
| ·遗传算法用于分类学习 | 第63-64页 |
| ·基于遗传算法的火焰图像分割研究 | 第64-69页 |
| ·用混合高斯马尔可夫随机模型分割图像 | 第69-77页 |
| ·马尔可夫链 | 第70-71页 |
| ·马尔可夫随机场模型 | 第71-72页 |
| ·混合高斯马尔可夫随机模型 | 第72-74页 |
| ·平均域退火算法 | 第74-75页 |
| ·仿真实验 | 第75-77页 |
| ·本章总结 | 第77-78页 |
| 第三章 基于火焰图像的锅炉燃烧状态识别研究 | 第78-110页 |
| ·引言 | 第78页 |
| ·火焰燃烧状态 | 第78-92页 |
| ·燃烧状态的定义 | 第79-82页 |
| ·火焰图像的特征值 | 第82-86页 |
| ·人工智能算法应用与分析 | 第86-92页 |
| ·基于隐马尔可夫模型的燃烧状态识别 | 第92-100页 |
| ·隐马尔可夫随机模型 | 第92-95页 |
| ·火焰图像分类识别模型 | 第95-98页 |
| ·仿真实验 | 第98-100页 |
| ·基于交互式学习神经网络的燃烧状态识别 | 第100-109页 |
| ·BP 神经网络的原理 | 第100-102页 |
| ·基于 BP 神经网络的燃烧状态识别 | 第102-103页 |
| ·交互式学习神经网络 | 第103-107页 |
| ·性能评价 | 第107-109页 |
| ·本章小结 | 第109-110页 |
| 第四章 基于火焰图像序列的锅炉燃烧状态智能监测研究 | 第110-147页 |
| ·引言 | 第110-111页 |
| ·锅炉燃烧影响因素的评估 | 第111-118页 |
| ·燃烧影响因素 | 第111-114页 |
| ·燃烧影响因素评估 | 第114-117页 |
| ·火焰图像的评估作用 | 第117-118页 |
| ·锅炉燃烧状态监测研究分析 | 第118-120页 |
| ·变ε光滑支持向量回归（AεSSVR）与火焰图像序列分析 | 第120-132页 |
| ·统计学习理论 | 第121-122页 |
| ·支持向量机 | 第122-124页 |
| ·光滑支持向量回归与火焰图像序列预测 | 第124-128页 |
| ·支持向量回归 | 第124-125页 |
| ·光滑支持向量回归 | 第125-126页 |
| ·SSVR 模型的输入输出与仿真 | 第126-128页 |
| ·AεSSVR 与火焰图像序列分析研究 | 第128-132页 |
| ·AεSSVR 原理 | 第128-131页 |
| ·AεSSVR 仿真实验 | 第131-132页 |
| ·基于隐马尔可夫模型的燃烧状态智能监测研究 | 第132-146页 |
| ·隐马尔可夫模型概述 | 第132-133页 |
| ·拓扑结构与状态集 | 第133-139页 |
| ·二状态马尔可夫链 | 第133-134页 |
| ·三状态马尔可夫链 | 第134-136页 |
| ·多状态马尔可夫链 | 第136-139页 |
| ·观测值 | 第139-140页 |
| ·一维隐马尔可夫模型 | 第140-143页 |
| ·一维模型建立 | 第140-142页 |
| ·一维模型仿真测试 | 第142-143页 |
| ·伪二维隐马尔可夫模型 | 第143-146页 |
| ·二维模型建立 | 第143-144页 |
| ·二维模型仿真测试 | 第144-146页 |
| ·本章总结 | 第146-147页 |
| 第五章 全文总结 | 第147-151页 |
| ·本文的主要工作和创新点 | 第147-150页 |
| ·本课题今后的研究展望 | 第150-151页 |
| 致谢 | 第151-152页 |
| 参考文献 | 第152-166页 |
| 个人简历、 在学期间参加的科研工作及学术论文发表 | 第166页 |