| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 研究的背景及意义 | 第10-11页 |
| 1.1.1 课题来源 | 第10页 |
| 1.1.2 课题研究的意义 | 第10-11页 |
| 1.2 本课题国内外相关研究 | 第11-13页 |
| 1.3 存在的问题 | 第13-14页 |
| 1.4 本文的研究内容 | 第14-15页 |
| 第2章 锅炉基本原理及控制系统 | 第15-19页 |
| 2.1 锅炉结构和原理 | 第15-16页 |
| 2.2 锅炉燃烧控制系统 | 第16-18页 |
| 2.3 本章小结 | 第18-19页 |
| 第3章 基于神经网络的建模方法 | 第19-35页 |
| 3.1 神经网络的基本概念 | 第19-25页 |
| 3.1.1 生物神经元的结构 | 第19-20页 |
| 3.1.2 人工神经元 | 第20-21页 |
| 3.1.3 神经网络的结构及工作方式 | 第21-22页 |
| 3.1.4 神经网络的学习 | 第22-25页 |
| 3.2 径向基神经网络 | 第25页 |
| 3.3 径向基神经网络模型 | 第25-27页 |
| 3.4 RBF 网络与 BP 网络 | 第27页 |
| 3.5 锅炉主蒸汽压力系统模型实验 | 第27-33页 |
| 3.5.1 锅炉燃烧过程建模实验 | 第28-29页 |
| 3.5.2 基于 RBF 神经网络的主蒸汽压力建模试验 | 第29-31页 |
| 3.5.3 现场主蒸汽压力调节组态控制 | 第31-33页 |
| 3.6 本章小结 | 第33-35页 |
| 第4章 基于粒子群算法改进 RBF 神经网络 | 第35-52页 |
| 4.1 粒子群算法简介 | 第35-36页 |
| 4.2 粒子群算法基本原理 | 第36-37页 |
| 4.3 粒子群算法流程 | 第37-38页 |
| 4.4 带惯性权重的粒子群算法 | 第38-39页 |
| 4.5 粒子群算法的应用 | 第39-40页 |
| 4.6 基于粒子群算法改进的径向基神经网络 | 第40-44页 |
| 4.6.1 输入数据的预处理 | 第40-42页 |
| 4.6.2 聚类算法的改进 | 第42-44页 |
| 4.6.3 神经网络中的参数调节 | 第44页 |
| 4.7 改进后的主蒸汽压力系统建模实验 | 第44-47页 |
| 4.8 燃烧过程建模 | 第47-50页 |
| 4.8.1 简单实验过程 | 第47-48页 |
| 4.8.2 仿真结果 | 第48-50页 |
| 4.9 本章小结 | 第50-52页 |
| 结论 | 第52-54页 |
| 参考文献 | 第54-58页 |
| 攻读学位期间发表的学术论文 | 第58-59页 |
| 致谢 | 第59页 |