| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 目录 | 第8-11页 |
| 第一章 绪论 | 第11-21页 |
| ·工业化微波干燥研究领域 | 第11页 |
| ·神经网络发展概况 | 第11-12页 |
| ·神经网络研究内容及意义 | 第12-13页 |
| ·神经网络应用领域 | 第13-15页 |
| ·模式识别 | 第13-14页 |
| ·最优化问题计算 | 第14页 |
| ·智能控制 | 第14-15页 |
| ·图像处理 | 第15页 |
| ·信号处理 | 第15页 |
| ·神经网络在微波干燥领域中的应用 | 第15-16页 |
| ·本论文研究背景、意义及内容 | 第16-19页 |
| ·本论文研究背景及意义 | 第16-18页 |
| ·主要研究内容 | 第18-19页 |
| ·本章小结 | 第19-21页 |
| 第二章 增量改进BP神经网络理论 | 第21-39页 |
| ·BP神经网络概述 | 第21-22页 |
| ·BP算法简介 | 第22-25页 |
| ·BP神经网络参数选择 | 第25-27页 |
| ·初始权值的选择 | 第25页 |
| ·学习率的选择 | 第25页 |
| ·隐含层节点数的选择 | 第25-27页 |
| ·BP算法的不足 | 第27-28页 |
| ·BP算法改进方法及其分析 | 第28-32页 |
| ·附加动量法 | 第29-30页 |
| ·牛顿法 | 第30页 |
| ·共轭梯度法 | 第30-31页 |
| ·自适应学习算法 | 第31-32页 |
| ·Levenberg-Marquardt算法分析和增量学习 | 第32-37页 |
| ·Levenberg-Marquardt算法 | 第32-34页 |
| ·增量学习 | 第34-35页 |
| ·传统算法与改进算法性能对比 | 第35-37页 |
| ·本章小结 | 第37-39页 |
| 第三章 工业化微波深度干燥神经网络预测模型和RSM优化模型 | 第39-75页 |
| ·传统富硒渣传统干燥方法 | 第39页 |
| ·微波深度干燥工业化试验 | 第39-41页 |
| ·富硒渣预处理 | 第39-40页 |
| ·微波深度干燥设备、流程 | 第40-41页 |
| ·工业化试验的RSM优化模型 | 第41-50页 |
| ·RSM的概述 | 第41-42页 |
| ·RSM优化模型的建立 | 第42-44页 |
| ·RSM优化结果及分析 | 第44-50页 |
| ·工业化试验的神经网络预测模型 | 第50-56页 |
| ·预测模型的建立 | 第50-52页 |
| ·试验预测结果及分析 | 第52-56页 |
| ·神经网络模型和RSM模型预测能力的对比 | 第56-63页 |
| ·试验数据预处理 | 第56-58页 |
| ·模型预测结果及对比 | 第58-63页 |
| ·工业化试验的神经网络能耗预测模型 | 第63-73页 |
| ·微波深度干燥试验能耗预测的意义 | 第63页 |
| ·目前预测能耗的方法及不足 | 第63-66页 |
| ·神经网络能耗预测模型的建立 | 第66-69页 |
| ·预测结果分析 | 第69-73页 |
| ·本章小结 | 第73-75页 |
| 第四章 工业化神经网络Smith补偿PID控制模型 | 第75-97页 |
| ·微波深度干燥富硒渣控制中存在的问题 | 第75-76页 |
| ·PID控制原理、特点及算法 | 第76-79页 |
| ·PID控制原理及特点 | 第76-77页 |
| ·PID控制算法 | 第77-79页 |
| ·传统PID参数整定算法及存在的问题 | 第79-83页 |
| ·Ziegler-Nichols整定算法 | 第79-80页 |
| ·幅相裕度法 | 第80-81页 |
| ·内模控制算法 | 第81-82页 |
| ·ISTE最优整定算法 | 第82-83页 |
| ·传统PID控制存在的问题 | 第83页 |
| ·增量改进BP神经网络Smith补偿PID控制器 | 第83-96页 |
| ·Smith补偿控制算法 | 第84-86页 |
| ·神经网络Smith补偿PID控制器结构 | 第86页 |
| ·神经网络Smith补偿PID控制器算法 | 第86-90页 |
| ·神经网络Smith补偿PID控制器仿真结果分析 | 第90-96页 |
| ·本章小结 | 第96-97页 |
| 第五章 工业化微波深度干燥神经网络反预测模型 | 第97-109页 |
| ·建立反预测模型的意义 | 第97页 |
| ·工业化微波干燥试验反预测模型 | 第97-107页 |
| ·反预测模型的建立 | 第97-102页 |
| ·反预测模型的结果及分析 | 第102-107页 |
| ·本章小结 | 第107-109页 |
| 第六章 微波煅烧神经网络预测模型 | 第109-129页 |
| ·微波煅烧研究领域 | 第109-110页 |
| ·微波煅烧ADU的神经网络预测模型 | 第110-119页 |
| ·预测模型的建立 | 第110页 |
| ·预测结果分析 | 第110-119页 |
| ·微波煅烧AUC的神经网络预测模型 | 第119-128页 |
| ·预测模型的建立 | 第119-120页 |
| ·预测结果分析 | 第120-128页 |
| ·本章小结 | 第128-129页 |
| 第七章 结论、创新点及展望 | 第129-133页 |
| ·结论及创新点 | 第129-131页 |
| ·研究工作展望 | 第131-133页 |
| 致谢 | 第133-135页 |
| 参考文献 | 第135-147页 |
| 附录 | 第147-148页 |
