| 摘要 | 第1-8页 |
| Abstract | 第8-14页 |
| 第一章 绪论 | 第14-23页 |
| ·课题研究的背景及意义 | 第14-18页 |
| ·发展超临界和超超临界锅炉的必要性 | 第14-15页 |
| ·国外超临界和超超临界锅炉的发展概况 | 第15-18页 |
| ·国内发展超临界和超超临界技术动态 | 第18页 |
| ·超临界电站锅炉受热面金属温度软测量及预测研究动态 | 第18-22页 |
| ·超临界锅炉的技术特点 | 第18-20页 |
| ·软测量及预测研究动态 | 第20-22页 |
| ·本文主要研究内容 | 第22-23页 |
| 第二章 非线性系统的建模 | 第23-41页 |
| ·BP 神经网络 | 第23-28页 |
| ·神经网络概述 | 第23-25页 |
| ·BP 网络结构 | 第25-26页 |
| ·BP 网络的训练误差函数 | 第26-27页 |
| ·改进的BP 网络学习算法 | 第27-28页 |
| ·多层前馈网络的主要能力 | 第28页 |
| ·最小二乘支持向量机 | 第28-41页 |
| ·机器学习 | 第28-30页 |
| ·统计学习理论的基本思想 | 第30-33页 |
| ·支持向量机 | 第33-38页 |
| ·最小二乘支持向量机 | 第38-41页 |
| 第三章 遗传算法 | 第41-48页 |
| ·遗传算法概述 | 第41页 |
| ·遗传算法的基本原理及步骤 | 第41-43页 |
| ·遗传算法的特点 | 第43-45页 |
| ·遗传算法优化BP 神经网络 | 第45-46页 |
| ·遗传算法优化神经网络基本思想 | 第45页 |
| ·遗传算法优化神经网络连接权 | 第45-46页 |
| ·GA-BP 算法步骤 | 第46-48页 |
| 第四章 600MW 超临界直流锅炉概况 | 第48-60页 |
| ·超临界锅炉概况 | 第48-56页 |
| ·锅炉总体简介 | 第48-51页 |
| ·锅炉主要技术参数 | 第51-52页 |
| ·锅炉燃料 | 第52-53页 |
| ·锅炉汽水品质 | 第53-54页 |
| ·锅炉水冷壁布置特点 | 第54-56页 |
| ·研究膜式水冷壁金属壁温测量的意义 | 第56-57页 |
| ·研究高温过热器金属壁温预测的意义 | 第57-60页 |
| 第五章 基于LS-SVM 的水冷壁温度软测量 | 第60-68页 |
| ·水冷壁温度监测的必要性 | 第60页 |
| ·最小二乘支持向量机估计算法 | 第60-61页 |
| ·基于LS-SVM 的水冷壁温度软测量建模 | 第61-63页 |
| ·膜式水冷壁实物模型 | 第61-62页 |
| ·软测量模型的建立 | 第62-63页 |
| ·仿真实例 | 第63-67页 |
| ·仿真计算 | 第63-64页 |
| ·LS-SVM 模型与GA-BP 模型的比较 | 第64-67页 |
| ·本章小结 | 第67-68页 |
| 第六章 基于GA-BP 神经网络的超临界锅炉高温过热器壁温预测 | 第68-83页 |
| ·我国电厂锅炉过热器的超温爆管事故回顾 | 第68页 |
| ·超临界直流炉高温过热器金属温度预测的重要性 | 第68-70页 |
| ·超临界直流炉过热器概况 | 第68-69页 |
| ·高温过热器超温爆管 | 第69-70页 |
| ·数据的预处理 | 第70-71页 |
| ·超临界直流锅炉高温过热器金属温度的神经网络预测模型 | 第71-74页 |
| ·预测模型的输入输出参数 | 第71-73页 |
| ·隐层数设计 | 第73页 |
| ·隐层节点数设计 | 第73-74页 |
| ·仿真实例及分析 | 第74-81页 |
| ·BP 模型仿真计算 | 第74-76页 |
| ·遗传算法优化BP 神经网络（GA-BP）仿真计算 | 第76-81页 |
| ·本章小结 | 第81-83页 |
| 结论与展望 | 第83-85页 |
| 参考文献 | 第85-90页 |
| 攻读硕士学位期间取得的研究成果 | 第90-92页 |
| 致谢 | 第92页 |
