| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-24页 |
| 1.1 研究背景 | 第11页 |
| 1.2 造气炉工艺流程及反应原理 | 第11-16页 |
| 1.2.1 造气工段带控制点的流程图 | 第11-13页 |
| 1.2.2 固定层间歇法制半水煤气基本原理 | 第13-15页 |
| 1.2.3 半水煤气生产工艺条件 | 第15页 |
| 1.2.4 造气炉关键调控参数-气化层温度 | 第15-16页 |
| 1.3 国内外研究现状 | 第16-21页 |
| 1.3.1 造气炉气化温度测量研究现状 | 第16-18页 |
| 1.3.2 极限学习机研究现状 | 第18-21页 |
| 1.4 选题意义 | 第21-22页 |
| 1.5 本文的主要内容与论文结构 | 第22-24页 |
| 第二章 造气炉热工参数提取及处理 | 第24-43页 |
| 2.1 数据的提取和预处理 | 第24-34页 |
| 2.1.1 测量和数据 | 第24-25页 |
| 2.1.2 数据的预处理 | 第25-28页 |
| 2.1.3 采样数据的二次处理 | 第28-34页 |
| 2.2 样本数据分析与采集 | 第34-39页 |
| 2.2.1 样本数据采集 | 第34-37页 |
| 2.2.2 气化层温度相关数据分析 | 第37-38页 |
| 2.2.3 样本数据的划分 | 第38-39页 |
| 2.3 样本数据的预处理 | 第39-42页 |
| 2.3.1 粗大数据的处理 | 第39页 |
| 2.3.2 小波包降噪 | 第39-40页 |
| 2.3.3 中值滤波 | 第40页 |
| 2.3.4 主成分分析主成分分析(PCA) | 第40-41页 |
| 2.3.5 标准归一化处理 | 第41-42页 |
| 2.4 本章小结 | 第42-43页 |
| 第三章 人工神经网络与极限学习机及优化 | 第43-62页 |
| 3.1 人工神经网络 | 第43-46页 |
| 3.1.1 人工神经网络结构 | 第43页 |
| 3.1.2 学习(训练)过程 | 第43-45页 |
| 3.1.3 神经网络模型及其学习算法 | 第45-46页 |
| 3.2 极限学习机 | 第46-51页 |
| 3.2.1 单隐层前馈神经网络(SLFNs) | 第46-49页 |
| 3.2.2 极限学习机 | 第49-51页 |
| 3.3 遗传算法优化ELM | 第51-53页 |
| 3.3.1 遗传算法原理 | 第51-52页 |
| 3.3.2 遗传算法参数 | 第52页 |
| 3.3.3 算法流程 | 第52-53页 |
| 3.3.4 算法实现 | 第53页 |
| 3.4 人工蜂群算法优化ELM | 第53-56页 |
| 3.4.1人工蜂群算法原理 | 第53-54页 |
| 3.4.2 人工蜂群算法步骤 | 第54-55页 |
| 3.4.3 人工蜂群算法流程 | 第55页 |
| 3.4.4 人工蜂群算法优化极限学习机模型 | 第55-56页 |
| 3.5 差分演化算法优化ELM | 第56-58页 |
| 3.5.1 DE基本算法 | 第57页 |
| 3.5.2 模型形式的确定 | 第57-58页 |
| 3.6 粒子群算法优化ELM | 第58-61页 |
| 3.6.1 标准粒子群算法 | 第58-60页 |
| 3.6.2 粒子群算法优化ELM (PSO-ELM) | 第60-61页 |
| 3.7 本章小结 | 第61-62页 |
| 第四章 基于ELM的造气炉建模的实现与分析 | 第62-70页 |
| 4.1 ELM建模 | 第62-66页 |
| 4.1.1 样本集的采样与预处理 | 第62页 |
| 4.1.2 ELM参数的确定 | 第62页 |
| 4.1.3 模型评价指标 | 第62-63页 |
| 4.1.4 ELM参数分析 | 第63-64页 |
| 4.1.5 ELM建模运行效果及分析 | 第64-66页 |
| 4.2 BP、GNRR神经网络的对比 | 第66-68页 |
| 4.2.1 BP神经网络 | 第66-67页 |
| 4.2.2 GRNN神经网络 | 第67-68页 |
| 4.3 ELM软测量模型总结 | 第68-69页 |
| 4.3.1 神经网络系统ELM、BP、GRNN模型的数据对比 | 第69页 |
| 4.3.2 模型分析及总结 | 第69页 |
| 4.4 本章小结 | 第69-70页 |
| 第五章 ELM软测量模型的优化 | 第70-82页 |
| 5.1 人工蜂群算法优化ELM | 第70-72页 |
| 5.1.1 人工蜂群算法参数选择 | 第70页 |
| 5.1.2 ABC-ELM源程序 | 第70-71页 |
| 5.1.3 运行结果及性能评价 | 第71-72页 |
| 5.1.4 ABC-ELM优化算法的指标分析 | 第72页 |
| 5.2 差分演化算法(DE)优化ELM | 第72-74页 |
| 5.2.1 差分演化算法(DE)参数选择 | 第72页 |
| 5.2.2 DE-ELM源程序 | 第72-73页 |
| 5.2.3 运行结果及性能评价 | 第73-74页 |
| 5.2.4 DE-ELM优化算法的指标分析 | 第74页 |
| 5.3 遗传算法(GA)优化ELM | 第74-76页 |
| 5.3.1 遗传算法(GA)参数选择 | 第74页 |
| 5.3.2 GA-ELM源程序 | 第74-75页 |
| 5.3.3 运行结果及性能评价 | 第75-76页 |
| 5.3.4 GA-ELM优化算法的分析 | 第76页 |
| 5.4 粒子群算法(PSO)优化ELM | 第76-78页 |
| 5.4.1 粒子群算法(PSO)参数选择 | 第76-77页 |
| 5.4.2 PSO-ELM源程序 | 第77页 |
| 5.4.3 运行结果及性能评价 | 第77-78页 |
| 5.4.4 PSO-ELM优化算法的指标分析 | 第78页 |
| 5.5 ABC、DE、GA、PSO以及ELM性能比较分析 | 第78-81页 |
| 5.5.1 ABC、DE、GA、PSO以及ELM的数据对比 | 第79页 |
| 5.5.2 ABC、DE、GA、PSO以及ELM的仿真数据各点误差分布图 | 第79-80页 |
| 5.5.3 ABC、DE、GA、PSO优化ELM效果分析 | 第80-81页 |
| 5.5.4 ABC、DE、GA、PSO优化算法的对比 | 第81页 |
| 5.6 本章小结 | 第81-82页 |
| 第六章 总结与展望 | 第82-84页 |
| 6.1 总结 | 第82页 |
| 6.2 展望 | 第82-84页 |
| 参考文献 | 第84-87页 |
| 致谢 | 第87-88页 |
| 攻读学位期间发表论文情况 | 第88页 |
