| 致谢 | 第7-8页 |
| 摘要 | 第8-9页 |
| ABSTRACT | 第9-10页 |
| 第一章 绪论 | 第15-22页 |
| 1.1 课题研究背景和意义 | 第15-16页 |
| 1.2 基于图像处理的火焰燃烧稳定性判定技术及现状 | 第16-18页 |
| 1.2.1 传统的火焰检测技术及其局限性 | 第16-17页 |
| 1.2.2 基于图像处理的火焰燃烧稳定性判定技术 | 第17页 |
| 1.2.3 基于图像处理的火焰燃烧稳定性判定的团队研究概况 | 第17-18页 |
| 1.3 BP神经网络研究概况 | 第18-20页 |
| 1.3.1 神经网络的发展历史 | 第18-19页 |
| 1.3.2 BP神经网络的国内外研究概况 | 第19-20页 |
| 1.4 本文主要的研究内容与结构 | 第20-22页 |
| 第二章 火焰图像预处理以及参数的提取 | 第22-31页 |
| 2.1 引言 | 第22页 |
| 2.2 锅炉火焰图像的获取 | 第22-24页 |
| 2.2.1 锅炉火焰视频采集系统 | 第22-23页 |
| 2.2.2 锅炉火焰图像的获取 | 第23-24页 |
| 2.3 锅炉火焰图像预处理 | 第24-27页 |
| 2.3.1 灰度化 | 第24-25页 |
| 2.3.2 中值滤波 | 第25-27页 |
| 2.4 火焰燃烧参数特征提取 | 第27-30页 |
| 2.5 本章小结 | 第30-31页 |
| 第三章 基于改进BP神经网络燃烧稳定性判定 | 第31-49页 |
| 3.1 神经网络相关知识 | 第31-32页 |
| 3.1.1 神经网络 | 第31-32页 |
| 3.1.2 BP神经网络 | 第32页 |
| 3.2 BP网络学习算法 | 第32-35页 |
| 3.2.1 BP算法的原理分析 | 第32-34页 |
| 3.2.2 BP算法的步骤 | 第34-35页 |
| 3.3 BP算法存在的适用性 | 第35-36页 |
| 3.4 BP算法的改进 | 第36-41页 |
| 3.4.1 传递函数参数的动态调整 | 第36-37页 |
| 3.4.2 加快收敛速度的改进 | 第37-38页 |
| 3.4.3 针对学习速率的调整 | 第38-39页 |
| 3.4.4 避免陷入局部极小的改进 | 第39-40页 |
| 3.4.5 改进BP算法的步骤 | 第40-41页 |
| 3.5 锅炉燃烧过程的BP神经网络建模 | 第41-48页 |
| 3.5.1 燃烧决策库获取 | 第42-44页 |
| 3.5.2 燃烧稳定判定仿真 | 第44-48页 |
| 3.6 本章小结 | 第48-49页 |
| 第四章 基于“五四模型”的燃烧稳定性判定 | 第49-64页 |
| 4.1 引言 | 第49-50页 |
| 4.2 模糊神经网络 | 第50-52页 |
| 4.2.1 模糊控制 | 第50-51页 |
| 4.2.2 模糊神经网络 | 第51-52页 |
| 4.3 基于T-S模糊神经网络燃烧稳定性判定建模 | 第52-60页 |
| 4.3.1 T-S模糊神经网络模型 | 第52-53页 |
| 4.3.2 T-S模糊神经网络训练算法 | 第53-55页 |
| 4.3.3 隶属度函数及燃烧规则库 | 第55-56页 |
| 4.3.4“五四模型”的燃烧稳定性判定模型的建立与训练 | 第56-60页 |
| 4.4 燃烧稳定性判定输出 | 第60-62页 |
| 4.4.1 基于“五四模型”的燃烧稳定性判定 | 第60-61页 |
| 4.4.2 BP神经网络模型与“五四模型”的比较 | 第61-62页 |
| 4.5 本章小结 | 第62-64页 |
| 第五章 总结与展望 | 第64-66页 |
| 5.1 总结 | 第64页 |
| 5.2 不足与展望 | 第64-66页 |
| 参考文献 | 第66-70页 |
| 攻读硕士学位期间发表的学术论文 | 第70-71页 |
