| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-19页 |
| 1.1 课题背景及意义 | 第9-11页 |
| 1.2 人工智能的研究现状 | 第11-14页 |
| 1.2.1 支持向量机的研究现状 | 第12-13页 |
| 1.2.2 启发式优化算法的研究现状 | 第13-14页 |
| 1.3 汽轮机热耗率的国内外研究现状 | 第14-17页 |
| 1.3.1 汽轮机热耗率计算的发展史 | 第15-16页 |
| 1.3.2 汽轮机热耗率计算软件的研究现状 | 第16-17页 |
| 1.3.3 汽轮机热耗率计算的发展趋势 | 第17页 |
| 1.4 本文的主要内容以及结构安排 | 第17-19页 |
| 第2章 最小二乘支持向量机与磷虾群算法的相关理论 | 第19-34页 |
| 2.1 支持向量机 | 第19-23页 |
| 2.1.1 VC 维和结构风险最小化 | 第19-21页 |
| 2.1.2 SVM 基本思想 | 第21-22页 |
| 2.1.3 SVM 处理回归问题 | 第22-23页 |
| 2.2 最小二乘支持向量机 | 第23-26页 |
| 2.3 磷虾群算法的简介 | 第26-33页 |
| 2.3.1 磷虾群的种群行为 | 第26-27页 |
| 2.3.2 磷虾种群行为的拉格朗日模型 | 第27-31页 |
| 2.3.3 遗传因子 | 第31-32页 |
| 2.3.4 磷虾群算法的流程图和具体步骤 | 第32-33页 |
| 2.4 本章小结 | 第33-34页 |
| 第3章 基于 KH-LSSVR 的水和蒸汽焓值模型的建立 | 第34-53页 |
| 3.1 汽轮机结构及其工作原理 | 第34-36页 |
| 3.2 基于 KH-LSSVR 的水和蒸汽焓值建模过程分析 | 第36-40页 |
| 3.2.1 LSSVR 的核函数的确定 | 第37页 |
| 3.2.2 实验数据的来源 | 第37-38页 |
| 3.2.3 建模的整体思路 | 第38-40页 |
| 3.3 基于 KH-LSSVR 的水焓值模型的建立 | 第40-45页 |
| 3.3.1 超参数对水焓值模型的影响 | 第40-41页 |
| 3.3.2 水焓值模型的建立 | 第41-43页 |
| 3.3.3 水焓值模型的性能分析 | 第43-45页 |
| 3.4 基于 KH-LSSVR 的蒸汽焓值模型的建立 | 第45-51页 |
| 3.4.1 超参数对蒸汽焓值模型的影响 | 第45-47页 |
| 3.4.2 第一类蒸汽焓值模型的建立及性能分析 | 第47-49页 |
| 3.4.3 第二类蒸汽焓值模型的建立及性能分析 | 第49-51页 |
| 3.5 本章小结 | 第51-53页 |
| 第4章 基于焓值模型的汽轮机热耗率计算的软件设计 | 第53-63页 |
| 4.1 汽轮机热耗率计算方法 | 第53-55页 |
| 4.2 汽轮机热耗率计算软件的基本功能 | 第55-56页 |
| 4.2.1 基本信息的录入 | 第55页 |
| 4.2.2 汽轮机类型的选择 | 第55-56页 |
| 4.3 汽轮机热耗率计算软件接口间的混合编程 | 第56-59页 |
| 4.3.1 VC++与 Excel 间的信息交互 | 第56-57页 |
| 4.3.2 VC++与 MATLAB 间的混合编程 | 第57-59页 |
| 4.4 汽轮机热耗率计算软件整体布局及试验结果验证 | 第59-62页 |
| 4.5 本章小结 | 第62-63页 |
| 结论 | 第63-65页 |
| 附录 | 第65-73页 |
| 参考文献 | 第73-78页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第78-79页 |
| 致谢 | 第79-80页 |
| 作者简介 | 第80页 |
