| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 课题研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 煤粉含碳量在线测量研究现状 | 第11-12页 |
| 1.2.2 支持向量机在电厂热工参数检测应用现状 | 第12-13页 |
| 1.3 本文主要研究内容及论文结构 | 第13-15页 |
| 1.3.1 本文主要研究内容 | 第13页 |
| 1.3.2 论文结构安排 | 第13-15页 |
| 第二章 支持向量回归机理论基础 | 第15-26页 |
| 2.1 统计学习理论 | 第15-18页 |
| 2.1.1 VC维概念 | 第15-16页 |
| 2.1.2 推广性的界理论 | 第16-17页 |
| 2.1.3 结构风险最小化 | 第17-18页 |
| 2.2 支持向量回归机理论 | 第18-25页 |
| 2.2.1 最优分类超平面 | 第18-20页 |
| 2.2.2 线性支持向量回归机 | 第20-22页 |
| 2.2.3 非线性支持向量回归机 | 第22-24页 |
| 2.2.4 核函数 | 第24-25页 |
| 2.3 本章小结 | 第25-26页 |
| 第三章 煤粉含碳量测量过程辅助变量选取 | 第26-38页 |
| 3.1 煤粉含碳量测量系统 | 第26-27页 |
| 3.2 煤粉含碳量的静电测量原理 | 第27-30页 |
| 3.2.1 粉体介质的起电过程分析 | 第28-29页 |
| 3.2.2 煤粉含碳量与静电信号的关系 | 第29-30页 |
| 3.3 煤粉颗粒静电测量过程影响变量选取 | 第30-37页 |
| 3.3.1 影响变量分析 | 第31-35页 |
| 3.3.2 辅助变量选取 | 第35-37页 |
| 3.4 本章小结 | 第37-38页 |
| 第四章 一次风管煤粉含碳量SVR预测建模 | 第38-50页 |
| 4.1 数据采集及预处理 | 第38-39页 |
| 4.1.1 数据样本划分 | 第38页 |
| 4.1.2 数据预处理 | 第38-39页 |
| 4.2 核函数及模型参数的选取 | 第39-43页 |
| 4.2.1 核函数的选取 | 第39-40页 |
| 4.2.2 模型参数选取分析 | 第40-41页 |
| 4.2.3 模型参数选择方法 | 第41-43页 |
| 4.3 基于SVR煤粉含碳量预测模型的建立与训练 | 第43-46页 |
| 4.3.1 SVR模型的建立 | 第43-44页 |
| 4.3.2 模型的训练结果分析 | 第44-46页 |
| 4.4 仿真实验结果与分析 | 第46-49页 |
| 4.4.1 预测结果的性能评价指标 | 第46-47页 |
| 4.4.2 基于SVR模型的测试结果分析 | 第47-48页 |
| 4.4.3 基于SVR模型与BP-ANN模型实验结果的比较分析 | 第48-49页 |
| 4.5 本章小结 | 第49-50页 |
| 第五章 一次风管煤粉含碳量预测模型的GA-SVR优化 | 第50-60页 |
| 5.1 遗传算法 | 第50-51页 |
| 5.1.1 遗传算法基本概念 | 第50页 |
| 5.1.2 遗传算子和算法步骤 | 第50-51页 |
| 5.2 基于GA-SVR的煤粉含碳量优化模型 | 第51-55页 |
| 5.2.1 基于GA-CV的SVR参数优化 | 第52-54页 |
| 5.2.2 GA-SVR煤粉含碳量优化模型构建 | 第54-55页 |
| 5.3 仿真实验结果与分析 | 第55-59页 |
| 5.3.1 基于GA-CV的模型参数优化结果分析 | 第55页 |
| 5.3.2 GA-SVR优化模型训练结果分析 | 第55-57页 |
| 5.3.3 GA-SVR优化模型测试结果分析 | 第57-58页 |
| 5.3.4 GA-SVR模型与SVR、BP-ANN模型的实验结果比较 | 第58-59页 |
| 5.4 本章小结 | 第59-60页 |
| 总结与展望 | 第60-62页 |
| 参考文献 | 第62-66页 |
| 致谢 | 第66-67页 |
| 附录A | 第67页 |
