| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 课题背景及研究意义 | 第11-12页 |
| 1.2 离心压缩机建模发展现状 | 第12-13页 |
| 1.3 过程建模方法 | 第13-17页 |
| 1.3.1 机理建模法 | 第13-14页 |
| 1.3.2 基于数据驱动的建模法 | 第14-16页 |
| 1.3.3 混合建模法 | 第16-17页 |
| 1.4 课题主要研究内容 | 第17-19页 |
| 第2章 离心压缩机工艺 | 第19-27页 |
| 2.1 CCPP煤气系统中的离心压缩机 | 第19页 |
| 2.2 离心缩机的结构组成及工作原理 | 第19-25页 |
| 2.2.1 离心压缩机的结构组成 | 第19-21页 |
| 2.2.2 离心压缩机的特点 | 第21页 |
| 2.2.3 离心压缩机的工作原理及性能参数 | 第21-25页 |
| 2.3 离心压缩机影响变量分析 | 第25-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第3章 基于RBF网络的数据驱动建模技术 | 第27-37页 |
| 3.1 数据驱动技术 | 第27-30页 |
| 3.1.1 数据驱动技术介绍 | 第27-29页 |
| 3.1.2 数据选取和预处理 | 第29-30页 |
| 3.2 RBF神经网络 | 第30-35页 |
| 3.2.1 人工神经网络的发展 | 第30-31页 |
| 3.2.2 几种典型的神经网络 | 第31-32页 |
| 3.2.3 RBF神经网络模型 | 第32-33页 |
| 3.2.4 RBF网络学习算法 | 第33-35页 |
| 3.3 本章小结 | 第35-37页 |
| 第4章 RBF神经网络中心选择 | 第37-51页 |
| 4.1 偏最小二乘法选择RBF网络中心 | 第37-42页 |
| 4.1.1 偏最小二乘方法 | 第38-39页 |
| 4.1.2 偏最小二乘回归原理及步骤 | 第39-41页 |
| 4.1.3 PLS剪枝法训练RBF网络步骤 | 第41-42页 |
| 4.2 模糊c-均值法选择RBF网络中心 | 第42-47页 |
| 4.2.1 模糊c-均值聚类 | 第43-44页 |
| 4.2.2 减法聚类 | 第44-45页 |
| 4.2.3 基于高斯基的距离 | 第45-46页 |
| 4.2.4 改进模糊c-均值法训练RBF网络步骤 | 第46-47页 |
| 4.3 仿真验证 | 第47-49页 |
| 4.4 本章小结 | 第49-51页 |
| 第5章 协同聚类与PLS剪枝的两阶段中心选择法及应用 | 第51-65页 |
| 5.1 协同聚类选择RBF中心法 | 第51-54页 |
| 5.1.1 协同进化 | 第51-52页 |
| 5.1.2 协同聚类 | 第52-53页 |
| 5.1.3 仿真验证 | 第53-54页 |
| 5.2 协同聚类与PLS剪枝的两阶段中心选择法 | 第54-58页 |
| 5.2.1 基本思想 | 第54-55页 |
| 5.2.2 训练网络流程 | 第55-57页 |
| 5.2.3 仿真验证 | 第57-58页 |
| 5.3 离心压缩机数据模型的建立 | 第58-63页 |
| 5.3.1 数据预处理 | 第58-59页 |
| 5.3.2 仿真与分析 | 第59-63页 |
| 5.4 本章小结 | 第63-65页 |
| 第6章 总结与展望 | 第65-67页 |
| 参考文献 | 第67-71页 |
| 致谢 | 第71-73页 |
| 攻读硕士期间发表论文 | 第73页 |