贝叶斯方法在大型电站锅炉优化运行中的应用
| 摘要 | 第1-6页 |
| Abstract | 第6-9页 |
| 符号表 | 第9-10页 |
| 1. 绪论 | 第10-20页 |
| ·引言 | 第10-11页 |
| ·人工智能在燃烧优化中的应用 | 第11-16页 |
| ·神经网络 | 第11-14页 |
| ·支持向量机 | 第14-16页 |
| ·优化算法综述 | 第16-18页 |
| ·遗传算法 | 第16-17页 |
| ·粒子群优化算法 | 第17页 |
| ·蚁群优化算法 | 第17-18页 |
| ·多目标优化算法 | 第18页 |
| ·本文主要研究内容和目的 | 第18-20页 |
| 2. 贝叶斯理论概述 | 第20-28页 |
| ·贝叶斯方法的基本观点 | 第20-21页 |
| ·贝叶斯方法的研究现状 | 第21-24页 |
| ·贝叶斯方法在各个领域的应用 | 第24-25页 |
| ·MCMC方法简要介绍 | 第25-26页 |
| ·本章小结 | 第26-28页 |
| 3. 贝叶斯方法的推导 | 第28-38页 |
| ·贝叶斯回归方法(BR) | 第28-29页 |
| ·贝叶斯LASSO方法(BL) | 第29-32页 |
| ·逆卡方分布以及逆高斯分布的抽样 | 第32-33页 |
| ·贝叶斯非线性模型(RKHS回归) | 第33-36页 |
| ·本章小结 | 第36-38页 |
| 4. 贝叶斯方法在燃烧优化中的应用 | 第38-56页 |
| ·锅炉介绍与排放数据 | 第38-39页 |
| ·NOx排放数据训练集的选取 | 第39-41页 |
| ·贝叶斯方法建立NOx排放量模型 | 第41-49页 |
| ·RKHS模型结合BR方法(RKHS_BR) | 第41-44页 |
| ·RKHS模型结合BL方法(RKHS_BL) | 第44-45页 |
| ·RKHS模型 | 第45-48页 |
| ·三种方法建模效果的比较 | 第48-49页 |
| ·RKHS模型与SVM模型比较 | 第49-51页 |
| ·基于蚁群算法的NOx排放优化 | 第51-54页 |
| ·本章小结 | 第54-56页 |
| 5. 全文总结及工作展望 | 第56-58页 |
| ·本文的主要内容和结论 | 第56-57页 |
| ·本文的不足及下一步工作展望 | 第57-58页 |
| 参考文献 | 第58-63页 |
| 致谢 | 第63页 |
