摘要3-5
Abstract5-8
目录8-11
第一章 绪论11-21
1.1 工业化微波干燥探讨领域11
1.2 神经网络进展概况11-12
1.3 神经网络探讨内容及作用12-13
1.4 神经网络运用领域13-15
1.4.1 方式识别13-14
1.4.2 最优化不足计算14
1.4.3 智能制约14-15
1.4.4 图像处理15
1.4.5 信号处理15
1.5 神经网络在微波干燥领域中的运用15-16
1.6 本论文探讨背景、作用及内容16-19
1.6.1 本论文探讨背景及作用16-18
1.6.2 主要探讨内容18-19
1.7 本章小结19-21
第二章 增量改善BP神经网络论述21-39
2.1 BP神经网络概述21-22
2.2 BP算法介绍22-25
2.3 BP神经网络参数选择25-27
2.3.1 初始权值的选择25
2.3.2 学习率的选择25
2.3.3 隐含层节点数的选择25-27
2.4 BP算法的不足27-28
2.5 BP算法改善策略及其浅析28-32
2.5.1 附加动量法29-30
2.5.2 牛顿法30
2.5.3 共轭梯度法30-31
2.5.4 自适应学习算法31-32
2.6 Levenberg-Marquardt算法浅析和增量学习32-37
2.6.1 Levenberg-Marquardt算法32-34
2.6.2 增量学习34-35
2.6.3 传统算法与改善算法性能比较35-37
2.7 本章小结37-39
第三章 工业化微波深度干燥神经网络预测模型和R优化模型39-75
3.1 传统富硒渣传统干燥策略39
3.2 微波深度干燥工业化试验39-41
3.2.1 富硒渣预处理39-40
3.2.2 微波深度干燥设备、流程40-41
3.3 工业化试验的R优化模型41-50
3.3.1 R的概述41-42
3.3.2 R优化模型的建立42-44
3.3.3 R优化结果及浅析44-50
3.4 工业化试验的神经网络预测模型50-56
3.4.1 预测模型的建立50-52
3.4.2 试验预测结果及浅析52-56
3.5 神经网络模型和R模型预测能力的比较56-63
3.5.1 试验数据预处理56-58
3.5.2 模型预测结果及比较58-63
3.6 工业化试验的神经网络能耗预测模型63-73
3.6.1 微波深度干燥试验能耗预测的作用63
3.6.2 目前预测能耗的策略及不足63-66
3.6.3 神经网络能耗预测模型的建立66-69
3.6.4 预测结果浅析69-73
3.7 本章小结73-75
第四章 工业化神经网络Smith补偿PID制约模型75-97
4.1 微波深度干燥富硒渣制约中有着的不足75-76
4.2 PID制约原理、特点及算法76-79
4.2.1 PID制约原理及特点76-77
4.2.2 PID制约算法77-79
4.3 传统PID参数整定算法及有着的不足79-83
4.3.1 Ziegler-Nichols整定算法79-80
4.3.2 幅相裕度法80-81
4.3.3 内模制约算法81-82
4.3.4 ISTE最优整定算法82-83
4.3.5 传统PID制约有着的不足83
4.4 增量改善BP神经网络Smith补偿PID制约器83-96
4.4.1 Smith补偿制约算法84-86
4.4.2 神经网络Smith补偿PID制约器结构86
4.4.3 神经网络Smith补偿PID制约器算法86-90
4.4.4 神经网络Smith补偿PID制约器仿真结果浅析90-96
4.5 本章小结96-97
第五章 工业化微波深度干燥神经网络反预测模型97-109
5.1 建立反预测模型的作用97
5.2 工业化微波干燥试验反预测模型97-107
5.2.1 反预测模型的建立97-102
5.2.2 反预测模型的结果及浅析102-107
5.3 本章小结107-109
第六章 微波煅烧神经网络预测模型109-129
6.1 微波煅烧探讨领域109-110
6.2 微波煅烧ADU的神经网络预测模型110-119
6.2.1 预测模型的建立110
6.2.2 预测结果浅析110-119
6.3 微波煅烧AUC的神经网络预测模型119-128
6.3.1 预测模型的建立119-120
6.3.2 预测结果浅析120-128
6.4 本章小结128-129
第七章 结论、革新点及展望129-133
7.1 结论及革新点129-131
7.2 探讨工作展望131-133
致谢133-135