| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 选题背景 | 第9-10页 |
| 1.2 课题研究内容、目标以及解决的关键问题 | 第10-11页 |
| 1.3 国内外研究现状分析 | 第11-12页 |
| 1.4 论文主要工作及组织结构 | 第12页 |
| 1.5 本章小结 | 第12-14页 |
| 第2章 基于热辐射原理的温度测量方法 | 第14-23页 |
| 2.1 辐射测温的基本原理 | 第14页 |
| 2.2 火焰温度测量方法 | 第14-16页 |
| 2.2.1 辐射测温 | 第14-16页 |
| 2.2.2 基于多光谱辐射的工业火焰测温方法 | 第16页 |
| 2.3 用多元回归法求真温和发射率 | 第16-18页 |
| 2.3.1 应用最小二乘的多元回归法 | 第16-17页 |
| 2.3.2 发射率和真物体温的求取 | 第17-18页 |
| 2.4 黑体炉标定 | 第18-20页 |
| 2.4.1 黑体炉标定方法 | 第18-19页 |
| 2.4.2 黑体炉构造 | 第19页 |
| 2.4.3 黑体炉实际发射率的估算 | 第19-20页 |
| 2.5 实验步骤与实验结果 | 第20-22页 |
| 2.6 本章小结 | 第22-23页 |
| 第3章 应用BP神经网络的火焰纵向温度反演 | 第23-36页 |
| 3.1 人工神经网络 | 第23-24页 |
| 3.1.1 人工神经网络的基本原理 | 第23页 |
| 3.1.2 人工神经元的数学模型 | 第23-24页 |
| 3.2 BP神经网络算法的改进 | 第24-31页 |
| 3.2.1 BP神经网络算法原理 | 第24-25页 |
| 3.2.2 BP神经网络算法的优缺点 | 第25-26页 |
| 3.2.3 结合火焰纵向温度反演的BP算法改进 | 第26-28页 |
| 3.2.4 用L-M法改进的BP算法实现原理及步骤 | 第28-31页 |
| 3.3 基于改进的BP神经网络的火焰纵向温度反演算法 | 第31-35页 |
| 3.3.1 BP神经网络用于温度反演的适用性 | 第31-32页 |
| 3.3.2 运用BP神经网络的火焰纵向温度反演算法模型 | 第32-35页 |
| 3.4 本章小结 | 第35-36页 |
| 第4章 火焰纵向温度测量系统的设计及实现 | 第36-53页 |
| 4.1 实验设计及实验装置介绍 | 第36-41页 |
| 4.1.1 实验背景 | 第36页 |
| 4.1.2 实验装置 | 第36-37页 |
| 4.1.3 光敏二极管传感器的应用 | 第37-38页 |
| 4.1.4 数据采集模块 | 第38-40页 |
| 4.1.5 实验采集模块软件设计 | 第40-41页 |
| 4.2 火焰分片及纵向温度反演 | 第41-50页 |
| 4.2.1 火焰分片原理 | 第41-42页 |
| 4.2.2 神经网络训练 | 第42-50页 |
| 4.3 实验结果 | 第50-52页 |
| 4.4 本章小结 | 第52-53页 |
| 第5章 总结与展望 | 第53-55页 |
| 5.1 总结 | 第53页 |
| 5.2 展望 | 第53-55页 |
| 参考文献 | 第55-59页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第59-60页 |
| 致谢 | 第60页 |
