| 摘要 | 第1-7页 |
| Abstract | 第7-12页 |
| 第1章 绪论 | 第12-19页 |
| ·课题研究背景及意义 | 第12-13页 |
| ·国内外研究概况及存在的问题 | 第13-17页 |
| ·蒸汽膨胀做功过程线外推法 | 第13-14页 |
| ·数值模拟计算法 | 第14页 |
| ·能量平衡计算方法 | 第14-15页 |
| ·热力学法测量排汽湿度 | 第15-16页 |
| ·光学法测量排汽湿度 | 第16-17页 |
| ·目前排汽湿度计算和测量的各种方法所存在的问题 | 第17页 |
| ·本文所做的主要工作 | 第17-19页 |
| 第2章 软测量技术概述及各种建模方法分析 | 第19-29页 |
| ·软测量技术概述 | 第19页 |
| ·软测量建模方法 | 第19-21页 |
| ·基于工艺机理分析的方法 | 第20页 |
| ·基于回归分析的方法 | 第20页 |
| ·基于神经网络的方法 | 第20-21页 |
| ·BP 神经网络和 RBF 神经网络建模原理 | 第21-25页 |
| ·BP 神经网络建模原理 | 第21-24页 |
| ·RBF 神经网络建模原理 | 第24-25页 |
| ·支持向量机建模原理 | 第25-28页 |
| ·支持向量机数学描述 | 第25-27页 |
| ·支持向量机的优缺点 | 第27-28页 |
| ·本章小结 | 第28-29页 |
| 第3章 汽轮机排汽湿度软测量建模及优化 | 第29-48页 |
| ·辅助变量的选取和数据的预处理 | 第29-30页 |
| ·辅助变量的选取 | 第29页 |
| ·原始数据的选取和预处理 | 第29-30页 |
| ·基于 BP 神经网络的排汽湿度软测量 | 第30-34页 |
| ·数据的归一化 | 第30-31页 |
| ·隐层个数和各层节点个数的确定 | 第31-32页 |
| ·BP 神经网络的创建和仿真 | 第32-34页 |
| ·RBF 神经网络的创建和仿真 | 第34-36页 |
| ·数据的归一化预处理和网络参数的设定 | 第34-35页 |
| ·RBF 神经网络模型的创建 | 第35页 |
| ·不同径向基函数扩展速度对仿真结果造成的影响 | 第35-36页 |
| ·支持向量机模型的创建和仿真 | 第36-37页 |
| ·数据的归一化处理 | 第36页 |
| ·对数据进行训练并建立支持向量机模型 | 第36-37页 |
| ·利用建立的模型进行测试和预测 | 第37页 |
| ·BP 神经网络和 RBF 神经网络及支持向量机模型的优化 | 第37-46页 |
| ·遗传算法和粒子群算法概述 | 第38-40页 |
| ·GA-BP 神经网络模型的仿真 | 第40-42页 |
| ·PSO-BP 神经网络仿真 | 第42-44页 |
| ·GA-SVM 模型和 PSO-SVM 模型仿真 | 第44-45页 |
| ·RBF 网络模型的优化 | 第45-46页 |
| ·BP 神经网络和 RBF 神经网络及支持向量机模型对比 | 第46页 |
| ·本章小结 | 第46-48页 |
| 第4章 基于改进非线性偏最小二乘方法的排汽湿度软测量 | 第48-58页 |
| ·偏最小二乘回归模型 | 第49页 |
| ·偏最小二乘回归简介 | 第49页 |
| ·传统非线性偏最小二乘方法存在的问题 | 第49页 |
| ·改进的非线性偏最小二乘回归原理 | 第49-51页 |
| ·排汽湿度与多个影响因素回归预测模型的建立 | 第51-54页 |
| ·自变量的选取和数据的预处理 | 第51-52页 |
| ·建立回归模型 | 第52-54页 |
| ·排汽湿度与各影响因素之间独立定量关系建立 | 第54-57页 |
| ·回归系数和偏回归系数定义 | 第55页 |
| ·偏回归系数计算结果及分析 | 第55-56页 |
| ·应用时需要注意的事项 | 第56-57页 |
| ·本章小结 | 第57-58页 |
| 结论与展望 | 第58-60页 |
| 参考文献 | 第60-64页 |
| 攻读学位期间取得的研究成果及发表的学术论文 | 第64-65页 |
| 致谢 | 第65页 |
