| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 绪论 | 第12-22页 |
| 1.1 课题的研究背景及意义 | 第12-14页 |
| 1.1.1 课题的来源 | 第12页 |
| 1.1.2 研究的意义 | 第12-14页 |
| 1.2 国内外研究现状 | 第14-19页 |
| 1.2.1 钢球磨煤机料位测量的研究现状 | 第14-17页 |
| 1.2.2 软测量技术研究现状 | 第17页 |
| 1.2.3 证据理论的研究现状 | 第17-19页 |
| 1.3 本文研究内容与章节安排 | 第19-22页 |
| 2 钢球磨煤机工作原理分析及数据处理 | 第22-42页 |
| 2.1 研究对象分析 | 第22-26页 |
| 2.1.1 制粉系统概述 | 第22-23页 |
| 2.1.2 钢球磨煤机工作原理 | 第23-24页 |
| 2.1.3 钢球磨煤机的工作机理以及特性分析 | 第24-26页 |
| 2.2 料位影响因素分析及辅助变量的选择 | 第26-31页 |
| 2.2.1 料位与钢球磨煤机的制粉出力 | 第27页 |
| 2.2.2 料位与钢球磨煤机的进出口压差 | 第27-28页 |
| 2.2.3 料位与钢球磨煤机进出口温度 | 第28-29页 |
| 2.2.4 料位与钢球磨煤机电流 | 第29页 |
| 2.2.5 料位与各种影响因素的关系 | 第29-31页 |
| 2.3 实验数据的获取和处理 | 第31-40页 |
| 2.3.1 实验数据获取 | 第31-35页 |
| 2.3.2 数据的预处理 | 第35-38页 |
| 2.3.3 基于灰熵理论对辅助变量的选择 | 第38-40页 |
| 2.4 本章小结 | 第40-42页 |
| 3 证据理论及传统证据K-NN分类器的改进 | 第42-56页 |
| 3.1 引言 | 第42页 |
| 3.2 证据理论的理论基础 | 第42-44页 |
| 3.3 传统证据K-NN分类器 | 第44-46页 |
| 3.4 传统证据K-NN分类器存在的问题及改进 | 第46-48页 |
| 3.5 新型证据K-NN分类器的实现 | 第48-55页 |
| 3.5.1 自适应性度量空间及结构参数优化的证据K-NN分类器 | 第48-51页 |
| 3.5.2 基于广义T范数与法则的证据K-NN分类器 | 第51-52页 |
| 3.5.3 鲁棒自适应证据K-NN分类器 | 第52-53页 |
| 3.5.4 仿真分析 | 第53-55页 |
| 3.6 本章小结 | 第55-56页 |
| 4 证据回归多模型料位软测量建模及应用研究 | 第56-66页 |
| 4.1 引言 | 第56页 |
| 4.2 证据回归多模型 | 第56-59页 |
| 4.2.1 全局模型建模 | 第56-57页 |
| 4.2.2 局部模型建模 | 第57-59页 |
| 4.3 证据回归多模型参数识别 | 第59-61页 |
| 4.3.1 局部模型结构参数识别 | 第59-60页 |
| 4.3.2 全局模型结构参数识别 | 第60-61页 |
| 4.4 基于证据回归多模型球磨料位软测量仿真结果分析 | 第61-65页 |
| 4.4.1 模型参数辨识 | 第61-63页 |
| 4.4.2 模型预测的精度分析 | 第63-65页 |
| 4.5 本章小结 | 第65-66页 |
| 5 基于D-S融合法则的料位软测量及应用研究 | 第66-80页 |
| 5.1 引言 | 第66页 |
| 5.2 证据理论的权重融合模型 | 第66-67页 |
| 5.2.1 权重提取模型 | 第66-67页 |
| 5.2.2 权重融合模型 | 第67页 |
| 5.3 三种料位软测量模型 | 第67-74页 |
| 5.3.1 偏最小二乘回归分析(NPLS) | 第67-71页 |
| 5.3.2 BP神经网络 | 第71-73页 |
| 5.3.3 支持向量机 | 第73-74页 |
| 5.4 基于D-S融合法则的组合软测量模型 | 第74-78页 |
| 5.4.1 基于实验数据的料位软测量 | 第74-75页 |
| 5.4.2 模型预测的精度分析 | 第75-78页 |
| 5.5 本章小结 | 第78-80页 |
| 6 结论与展望 | 第80-82页 |
| 6.1 结论 | 第80页 |
| 6.2 展望 | 第80-82页 |
| 参考文献 | 第82-86页 |
| 作者简历及攻读硕士学位期间取得的硏究成果 | 第86-90页 |
| 学位论文数据集 | 第90页 |
