首页--工业技术论文--化学工业论文--硅酸盐工业论文--水泥工业论文--生产过程与设备论文

联合粉磨系统磨机负荷辨识方法研究

摘要第1-8页
Abstract第8-10页
第一章 绪论第10-16页
   ·课题背景及意义第10-12页
     ·联合粉磨系统简介第10-11页
     ·研究意义第11-12页
   ·磨机负荷辨识的发展现状第12-14页
   ·本文研究内容及方法第14-15页
   ·本章小结第15-16页
第二章 磨机负荷辨识原理第16-28页
   ·四种递推最小二乘算法第16-19页
     ·递推最小二乘法第16-17页
     ·遗忘因子递推最小二乘法第17-18页
     ·限定记忆递推最小二乘法第18页
     ·偏差补偿递推最小二乘法第18-19页
   ·RBF神经网络第19-23页
     ·径向基函数与插值问题第19-20页
     ·正则化网络第20-21页
     ·RBF神经网络第21-22页
     ·RBF网络学习算法第22-23页
   ·T-S模糊模型第23-27页
     ·模型结构辨识第24-25页
     ·模型参数辨识第25-27页
   ·本章小结第27-28页
第三章 基于四种递推最小二乘算法的磨机负荷辨识第28-44页
   ·关键变量分析第28-31页
   ·数据均值处理第31-32页
   ·四种递推最小二乘建模第32-40页
     ·基本递推最小二乘建模第32-35页
     ·遗忘因子递推最小二乘建模第35-37页
     ·限定记忆递推最小二乘建模第37-39页
     ·偏差补偿递推最小二乘建模第39-40页
   ·仿真结果分析第40-41页
   ·本章小结第41-44页
第四章 基于RBF神经网络的磨机负荷辨识第44-54页
   ·RBF神经网络模型第44页
   ·径向基函数的选取第44-45页
   ·RBF网络的训练第45-46页
   ·仿真结果第46-49页
   ·模型验证第49-51页
   ·三种RBFNN模型的对比分析第51-53页
   ·本章小结第53-54页
第五章 基于T-S模糊模型的磨机负荷辨识第54-62页
   ·T-S模糊模型第54页
   ·模型的结构辨识第54-56页
     ·输入变量的选取第54-55页
     ·输入空间的划分第55页
     ·隶属度函数的选取第55-56页
   ·模型参数辨识第56页
   ·仿真结果第56-58页
   ·三类建模方法的对比分析第58-60页
   ·本章小结第60-62页
第六章 结论与展望第62-64页
   ·结论第62页
   ·展望第62-64页
参考文献第64-68页
致谢第68-70页
附录第70-76页

论文共76页,点击 下载论文
上一篇:水泥生产关键设备故障诊断系统的研究
下一篇:水泥生产联合粉磨标准工况模板及建模研究