| 摘要 | 第1-7页 |
| ABSTRACT | 第7-10页 |
| 第一章 绪论 | 第10-16页 |
| ·论文的选题背景及意义 | 第10-11页 |
| ·过热汽温控制策略的发展与现状 | 第11-14页 |
| ·传统过热汽温控制策略 | 第11-12页 |
| ·现代先进控制 | 第12-14页 |
| ·本文主要内容 | 第14-16页 |
| 第二章 支持向量机理论及应用 | 第16-33页 |
| ·机器学习 | 第16-17页 |
| ·基于数据的机器学习问题 | 第16-17页 |
| ·经验风险最小化 | 第17页 |
| ·统计学习理论 | 第17-20页 |
| ·一致性条件和关键定理 | 第17-18页 |
| ·VC维 | 第18-19页 |
| ·推广性的界 | 第19页 |
| ·结构风险最小化原则 | 第19-20页 |
| ·支持向量机原理 | 第20-28页 |
| ·最优分类面 | 第21页 |
| ·线性可分情况 | 第21-23页 |
| ·线性不可分情况 | 第23页 |
| ·核函数 | 第23-24页 |
| ·支持向量机回归 | 第24-28页 |
| ·SVM过热汽温回归建模 | 第28-31页 |
| ·本章小结 | 第31-33页 |
| 第三章 粒子群优化算法 | 第33-48页 |
| ·粒子群算法的提出 | 第33-34页 |
| ·粒子群算法的思想起源 | 第33-34页 |
| ·粒子群优化的基本原理 | 第34页 |
| ·原始粒子群优化算法 | 第34-36页 |
| ·PSO算法原理 | 第34-35页 |
| ·PSO算法流程 | 第35-36页 |
| ·改进粒子群优化算法 | 第36-37页 |
| ·惯性权重PSO | 第36-37页 |
| ·收缩因子PSO | 第37页 |
| ·粒子群算法收敛性分析 | 第37-39页 |
| ·粒子群算法参数分析 | 第39-47页 |
| ·惯性权重分析 | 第39-46页 |
| ·其它参数分析 | 第46-47页 |
| ·本章小结 | 第47-48页 |
| 第四章 基于PSO的SVM预测控制算法 | 第48-58页 |
| ·模型预测控制 | 第48-52页 |
| ·预测控制的起源与发展 | 第48-49页 |
| ·预测控制原理 | 第49-51页 |
| ·支持向量机在预测控制中的应用 | 第51-52页 |
| ·基于PSO的SVM预测控制算法 | 第52-57页 |
| ·SVM辨识建模 | 第53-55页 |
| ·PSO滚动优化 | 第55-56页 |
| ·反馈校正 | 第56-57页 |
| ·本章小结 | 第57-58页 |
| 第五章 过热汽温预测控制系统设计与仿真 | 第58-70页 |
| ·过热汽温控制的任务 | 第58页 |
| ·过热汽温对象特性 | 第58-61页 |
| ·蒸汽流量（负荷）扰动下的温度特性 | 第59-60页 |
| ·烟气热量扰动下的温度特性 | 第60-61页 |
| ·减温水扰动下的温度特性 | 第61页 |
| ·过热汽温调节手段 | 第61-62页 |
| ·基于PSO滚动优化的过热汽温SVM预测控制仿真研究 | 第62-68页 |
| ·对象描述 | 第62-63页 |
| ·过热汽温预测控制系统设计 | 第63-66页 |
| ·仿真结果 | 第66-68页 |
| ·本章小结 | 第68-70页 |
| 结论 | 第70-73页 |
| 参考文献 | 第73-79页 |
| 攻读硕士学位期间取得的研究成果 | 第79-80页 |
| 致谢 | 第80页 |