| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 绪论 | 第8-14页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.2.1 水质参数及检测方法 | 第9-11页 |
| 1.2.2 紫外-可见光谱法水质检测技术 | 第11页 |
| 1.2.3 紫外-可见光谱法水质COD检测技术 | 第11-12页 |
| 1.3 本文主要研究内容 | 第12-14页 |
| 2 紫外-可见光谱法水质检测的原理及方法 | 第14-19页 |
| 2.1 紫外-可见光谱产生 | 第14页 |
| 2.2 朗博-比尔定理 | 第14-15页 |
| 2.3 水质检测的相关参数及分析方法 | 第15-18页 |
| 2.4 本章小结 | 第18-19页 |
| 3 紫外-可见光谱法水质COD检测仪器系统研制 | 第19-43页 |
| 3.1 概述 | 第19页 |
| 3.2 设计要求 | 第19-20页 |
| 3.3 框架设计 | 第20-21页 |
| 3.4 光谱测量单元 | 第21-25页 |
| 3.4.1 光源的选型 | 第21-24页 |
| 3.4.2 光谱仪的选型 | 第24-25页 |
| 3.5 流路、清洗、处理、显示、存储、打印及主控系统研究 | 第25-27页 |
| 3.6 软件系统设计 | 第27-33页 |
| 3.7 性能测试 | 第33-41页 |
| 3.7.1 性能要求 | 第33-34页 |
| 3.7.2 性能指标 | 第34-35页 |
| 3.7.3 测试结果 | 第35-41页 |
| 3.8 测试结果验证比较 | 第41页 |
| 3.9 本章小结 | 第41-43页 |
| 4 紫外-可见光谱法水质COD检测的预测模型研究 | 第43-56页 |
| 4.1 水质COD预测模型常见建模方法 | 第43-47页 |
| 4.1.1 常见建模方法 | 第43-45页 |
| 4.1.2 单隐层前馈型神经网络及极限学习机 | 第45-47页 |
| 4.2 基于极限学习机的水质COD预测模型研究 | 第47-49页 |
| 4.3 ELM预测模型的优化算法研究 | 第49-52页 |
| 4.3.1 粒子群优化算法（PSO） | 第49页 |
| 4.3.2 粒子群优化极限学习机模型（PSO-ELM） | 第49-52页 |
| 4.4 水质COD光谱数据降维处理 | 第52-54页 |
| 4.4.1 常见数据降维方法 | 第52页 |
| 4.4.2 主成分分析（PCA）对光谱数据进行处理 | 第52-54页 |
| 4.4.3 PCA降维后的PSO-ELM水质COD预测模型研究 | 第54页 |
| 4.5 本章小结 | 第54-56页 |
| 5 总结及展望 | 第56-58页 |
| 致谢 | 第58-59页 |
| 参考文献 | 第59-62页 |
| 附录 | 第62页 |
| A. 作者在攻读硕士学位期间发表的论文目录 | 第62页 |
| B. 主研或参加的科研项目 | 第62页 |
