| 摘要 | 第1-7页 |
| Abstract | 第7-12页 |
| 第一章 概论 | 第12-19页 |
| ·选题背景及意义 | 第12-13页 |
| ·计算智能概述 | 第13-14页 |
| ·计算智能在电厂热工系统中的应用 | 第14-17页 |
| ·本文的主要内容 | 第17-19页 |
| 第二章 神经网络及其算法研究 | 第19-48页 |
| ·BP 神经网络及其改进算法 | 第20-25页 |
| ·BP 神经网络的拓扑结构及其学习算法 | 第20-21页 |
| ·加入动量项的学习算法 | 第21-23页 |
| ·RPROP—-局部自适应的弹性更新值算法 | 第23-25页 |
| ·RBF 神经网络 | 第25-32页 |
| ·RBF 神经网络拓扑结构及其算法 | 第25-28页 |
| ·OLS(Orthogonal Least Square)算法 | 第28-32页 |
| ·CMAC 神经网络 | 第32-37页 |
| ·PID 神经网络 | 第37-41页 |
| ·PID 神经网络的拓扑结构 | 第37-39页 |
| ·PID 神经网络拟合能力仿真试验 | 第39-41页 |
| ·HIOCDRN 动态递归神经网络及其在系统辨识中的应用 | 第41-47页 |
| ·Elman 神经网络 | 第42-44页 |
| ·HIOCDRN 神经网络 | 第44-45页 |
| ·辨识仿真 | 第45-47页 |
| ·本章小结 | 第47-48页 |
| 第三章 混沌和 PSO 算法研究及其与神经网络的混合应用 | 第48-71页 |
| ·混饨优化策略 | 第48页 |
| ·RPROP 与混沌优化耦合算法 | 第48-52页 |
| ·PSO算法 | 第52-57页 |
| ·粒子群算法的生物模型 | 第52-53页 |
| ·粒子群算法基本原理 | 第53-54页 |
| ·标准粒子群算法流程 | 第54-55页 |
| ·PSO 算法的设计步骤 | 第55-56页 |
| ·PSO 与其他进化算法的比较 | 第56-57页 |
| ·PSO 算法改进策略 | 第57-66页 |
| ·基本PSO 算法性能分析 | 第57-59页 |
| ·动态变量区间方法和重新启动策略 | 第59-61页 |
| ·改进算法性能测试 | 第61-63页 |
| ·改进的 PSO 算法优化主汽温控制系统 PID 控制器参数 | 第63-66页 |
| ·基于 PSO 的 RBF 神经网络在热工系统辨识中的应用 | 第66-69页 |
| ·PSO 算法中的非线性惯性因子递减策略 | 第66页 |
| ·辨识原理分析 | 第66-68页 |
| ·热工对象辨识仿真实验 | 第68-69页 |
| ·本章小结 | 第69-71页 |
| 第四章 模糊量子遗传算法 | 第71-93页 |
| ·标准遗传算法 | 第71-79页 |
| ·遗传算法的概念 | 第71-72页 |
| ·遗传算法过程 | 第72-73页 |
| ·遗传算法中的编码 | 第73-75页 |
| ·遗传算法中的适应度函数设计 | 第75页 |
| ·遗传操作算子 | 第75-79页 |
| ·改进的自适应遗传算法 | 第79-81页 |
| ·模糊量子遗传算法 | 第81-91页 |
| ·量子计算及量子编码 | 第81-85页 |
| ·基于模糊规则调整的量子旋转门 | 第85-87页 |
| ·模糊量子遗传算法在热工过程辨识中的应用 | 第87-91页 |
| ·目标函数的确定 | 第87-88页 |
| ·旋转变异角θ的选取 | 第88页 |
| ·仿真研究 | 第88-89页 |
| ·现场数据辨识 | 第89-91页 |
| ·本章小结 | 第91-93页 |
| 第五章 计算智能在热工控制系统中的应用研究 | 第93-122页 |
| ·单神经元神经网络控制器 | 第93-99页 |
| ·单神经元神经网络控制器原理及算法 | 第93-95页 |
| ·单神经元自适应控制器在 DCS 中的实现 | 第95-99页 |
| ·基于神经网络的内模控制 | 第99-103页 |
| ·神经网络预测控制 | 第103-111页 |
| ·基于 PID 神经网络的干扰观测器设计 | 第111-116页 |
| ·干扰观测器设计原理 | 第111-112页 |
| ·基于 PID 神经网络逆模型的干扰观测器 | 第112-116页 |
| ·一种基于神经网络和遗传算法的锅炉燃烧优化方法 | 第116-121页 |
| ·锅炉燃烧送风控制系统及优化方案 | 第116-117页 |
| ·送风控制系统结构 | 第116-117页 |
| ·优化方案设计 | 第117页 |
| ·锅炉燃烧过程建模 | 第117-118页 |
| ·锅炉燃烧特性试验与神经网络的样本数据 | 第117-118页 |
| ·燃烧过程的神经网络模型 | 第118页 |
| ·遗传算法寻优 | 第118页 |
| ·仿真实验 | 第118-121页 |
| ·燃烧过程建模仿真 | 第118-119页 |
| ·应用遗传算法计算最佳含氧量 | 第119-121页 |
| ·本章小结 | 第121-122页 |
| 第六章 结论 | 第122-124页 |
| ·本文的主要工作和创新点 | 第122-123页 |
| ·本课题今后的研究内容 | 第123-124页 |
| 参考文献 | 第124-132页 |
| 致谢 | 第132-133页 |
| 个人简历、在学期间参加的科研工作及学术论文发表 | 第133-135页 |
