| 致谢 | 第4-6页 |
| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 1 绪论 | 第11-18页 |
| 1.1 研究背景及意义 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.2.1 数据降维的研究现状 | 第13-14页 |
| 1.2.2 基准值确定 | 第14-15页 |
| 1.2.3 能耗分析与节能诊断研究现状 | 第15-16页 |
| 1.3 本文研究主要内容 | 第16-18页 |
| 2 基于广义神经网络的MIV关键能耗特征指标确定 | 第18-38页 |
| 2.1 关键能耗特征指标确定方法 | 第18-19页 |
| 2.2 广义神经网络(GRNN)算法理论与方法 | 第19-23页 |
| 2.2.1 GRNN理论基础 | 第20-21页 |
| 2.2.2 GRNN网络结构 | 第21-22页 |
| 2.2.3 基于GRNN的MIV关键指标筛选 | 第22-23页 |
| 2.3 数据处理及关键变量选择算法研究 | 第23-29页 |
| 2.3.1 稳态数据判定、处理及选取 | 第23-24页 |
| 2.3.2 数据标准化处理 | 第24-25页 |
| 2.3.3 关键特征变量选择 | 第25-29页 |
| 2.4 关键能耗特征变量选择实例计算 | 第29-37页 |
| 2.4.1 案例机组描述与数据样本选取 | 第29-33页 |
| 2.4.2 实例广义神经网络MIV筛选相关变量与结果分析 | 第33-37页 |
| 2.5 本章小结 | 第37-38页 |
| 3 基于k-means聚类算法基准值确定方法研究 | 第38-53页 |
| 3.1 基准值确定方法研究 | 第38-39页 |
| 3.1.1 传统基准值确定方法 | 第39页 |
| 3.2 聚类算法理论与方法 | 第39-47页 |
| 3.2.1 聚类算法 | 第40-41页 |
| 3.2.2 k-means算法 | 第41-43页 |
| 3.2.3 k-means聚类算法改进 | 第43-47页 |
| 3.3 实例与方法验证 | 第47-52页 |
| 3.3.1 案例机组数据样本描述与预处理 | 第47-48页 |
| 3.3.2 实际可达优化目标值的确定与结果分析 | 第48-52页 |
| 3.4 本章小结 | 第52-53页 |
| 4 能耗特性分析及分布诊断建模方法研究 | 第53-68页 |
| 4.1 RBF建模机理 | 第53-58页 |
| 4.1.1 RBF神经网络结构 | 第53-54页 |
| 4.1.2 RBF神经网络径向基函数选择 | 第54-55页 |
| 4.1.3 RBF学习算法 | 第55-58页 |
| 4.2 能耗分布诊断方法理论 | 第58-60页 |
| 4.2.1 能耗特性指标基准值 | 第58-59页 |
| 4.2.2 机组能耗分布诊断模型 | 第59-60页 |
| 4.3 实例分析与模型验证 | 第60-67页 |
| 4.3.1 样本数据选择 | 第61-62页 |
| 4.3.2 训练RBF神经网络 | 第62-63页 |
| 4.3.3 能耗特性模型验证 | 第63-65页 |
| 4.3.4 能耗分布诊断实例分析研究 | 第65-67页 |
| 4.4 本章小结 | 第67-68页 |
| 5 总结和展望 | 第68-70页 |
| 5.1 总结 | 第68页 |
| 5.2 展望 | 第68-70页 |
| 参考文献 | 第70-77页 |
| 作者简历 | 第77页 |