基于支持向量机的电站锅炉燃烧稳定性研究
| 摘要 | 第1页 |
| ABSTRACT | 第3-6页 |
| 第一章 绪论 | 第6-11页 |
| ·前言 | 第6-7页 |
| ·相关研究 | 第7-9页 |
| ·煤粉燃烧稳定性理论研究 | 第7-8页 |
| ·电站锅炉燃烧状态检测技术发展状况 | 第8-9页 |
| ·基于自组织神经网络的火焰燃烧诊断技术 | 第8-9页 |
| ·基于模糊理论的燃烧诊断技术 | 第9页 |
| ·基于主元分析方法的燃烧诊断技术 | 第9页 |
| ·基于火焰颜色定量分析的燃烧诊断技术 | 第9页 |
| ·基于频谱分析的燃烧诊断技术 | 第9页 |
| ·研究内容及意义 | 第9-10页 |
| ·本章小结 | 第10-11页 |
| 第二章 燃烧稳定性因素分析 | 第11-23页 |
| ·影响因素分析 | 第11-16页 |
| ·煤质变化 | 第11-12页 |
| ·锅炉负荷 | 第12-13页 |
| ·煤粉浓度 | 第13页 |
| ·一次风温与风速 | 第13-16页 |
| ·煤粉细度 | 第16页 |
| ·煤粉气流的初温 | 第16页 |
| ·二次风风速和风温 | 第16页 |
| ·其它因素 | 第16页 |
| ·反映燃烧稳定性的因素 | 第16-22页 |
| ·炉膛压力 | 第17页 |
| ·火检信号 | 第17-22页 |
| ·本章小结 | 第22-23页 |
| 第三章支持向量机模型参数选择算法研究 | 第23-38页 |
| ·支持向量机简介 | 第23-29页 |
| ·机器学习理论概述 | 第23-25页 |
| ·统计学习基本理论 | 第25-28页 |
| ·支持向量机算法的发展历史和现状 | 第28-29页 |
| ·支持向量机基本算法 | 第29-34页 |
| ·支持向量分类 | 第29-32页 |
| ·支持向量回归 | 第32-34页 |
| ·支持向量机模型参数的选择 | 第34-37页 |
| ·模型参数对SVM 分类性能的影响 | 第34-36页 |
| ·模型参数选择方法 | 第36-37页 |
| ·本章小结 | 第37-38页 |
| 第四章 算法验证 | 第38-50页 |
| ·研究对象 | 第38页 |
| ·数据准备 | 第38-39页 |
| ·样本输入量的选择 | 第39-40页 |
| ·数据分析工具 | 第40-41页 |
| ·基于炉膛火检信号的燃烧状态判断 | 第41-47页 |
| ·训练与测试 | 第41-46页 |
| ·模型参数的选择 | 第46-47页 |
| ·基于影响因素的燃烧诊断 | 第47-49页 |
| ·特征数据的提取 | 第47-48页 |
| ·训练与测试 | 第48-49页 |
| ·本章小结 | 第49-50页 |
| 第五章结论与展望 | 第50-52页 |
| 参考文献 | 第52-55页 |
| 致谢 | 第55-56页 |
| 在学期间发表的学术论文和参加科研情况 | 第56页 |
