| 摘要 | 第1-4页 |
| ABSTRACT | 第4-9页 |
| 第1章 绪论 | 第9-19页 |
| ·课题研究背景及意义 | 第9-11页 |
| ·国内外研究现状 | 第11-18页 |
| ·数据驱动软测量方法研究现状 | 第11-14页 |
| ·电站锅炉软测量建模研究现状 | 第14-18页 |
| ·本文研究的主要内容 | 第18-19页 |
| 第2章 基于小波变换的数据去噪研究 | 第19-33页 |
| ·小波变换的基本理论 | 第19-23页 |
| ·小波基函数 | 第19-20页 |
| ·连续小波变换 | 第20页 |
| ·离散二进小波变换 | 第20-21页 |
| ·多分辨率分析 | 第21-22页 |
| ·Mallat 算法 | 第22-23页 |
| ·常用小波去噪方法 | 第23-25页 |
| ·小波阈值去噪在锅炉数据中的应用 | 第25-32页 |
| ·阈值函数去噪效果比较 | 第26页 |
| ·分解层数对去噪效果的影响 | 第26-27页 |
| ·不同小波基对去噪结果的影响 | 第27-29页 |
| ·阈值选取方式的去噪效果比较 | 第29页 |
| ·用于锅炉数据去噪的效果仿真 | 第29-32页 |
| ·本章小结 | 第32-33页 |
| 第3章 基于数据驱动的软测量建模技术 | 第33-47页 |
| ·数据驱动软测量建模的描述 | 第33-34页 |
| ·基于数据驱动建模的准则 | 第34-35页 |
| ·统计学与经验风险最小化的准则 | 第34页 |
| ·统计学习理论与结构风险最小化准则 | 第34-35页 |
| ·数据驱动软测量建模的方法 | 第35-42页 |
| ·主元分析法 | 第35-36页 |
| ·人工神经网络方法 | 第36-38页 |
| ·支持向量机 | 第38-42页 |
| ·支持向量回归机对噪声的敏感性研究 | 第42-46页 |
| ·输入噪声为高斯模型时 与噪声方差的关系 | 第42-44页 |
| ·数值试验与分析 | 第44-46页 |
| ·本章小结 | 第46-47页 |
| 第4章 基于 LS-SVM 方法的电站锅炉软测量建模 | 第47-60页 |
| ·电站锅炉工作过程简介 | 第47-49页 |
| ·烟气含氧量的软测量模型和变量选取 | 第49-51页 |
| ·模型的选择 | 第50页 |
| ·变量的选取 | 第50-51页 |
| ·软测量中现场数据的采集 | 第51-53页 |
| ·电站锅炉运行数据的特点 | 第51页 |
| ·检测点位置的选取 | 第51页 |
| ·锅炉现场数据的采集 | 第51-53页 |
| ·锅炉数据的去噪处理 | 第53-54页 |
| ·数据的归一化处理 | 第54-56页 |
| ·烟气含氧量的软测量模型的建立 | 第56-59页 |
| ·本章小结 | 第59-60页 |
| 第5章 基于粒子群的烟气含氧量模型优化 | 第60-70页 |
| ·参数对模型测试性能的影响 | 第60-61页 |
| ·粒子群算法简介 | 第61-63页 |
| ·粒子群算法基本原理 | 第62-63页 |
| ·PSO 算法的设计步骤 | 第63页 |
| ·PSO 算法的改进策略 | 第63-66页 |
| ·动态因子策略 | 第64页 |
| ·重启策略 | 第64-66页 |
| ·改进算法性能测试 | 第66-67页 |
| ·PSO 算法对烟气含氧量模型的优化 | 第67-69页 |
| ·本章小结 | 第69-70页 |
| 第6章 结论 | 第70-72页 |
| ·本文的工作总结 | 第70页 |
| ·今后工作展望 | 第70-72页 |
| 参考文献 | 第72-78页 |
| 致谢 | 第78-79页 |
| 攻读硕士学位期间的研究成果 | 第79页 |