| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-19页 |
| 1.1 课题背景及研究意义 | 第10-13页 |
| 1.2 污泥沉降性能指标研究现状 | 第13-15页 |
| 1.2.1 直接观察方法 | 第13-14页 |
| 1.2.2 人工智能方法 | 第14-15页 |
| 1.3 人工神经网络研究现状 | 第15-17页 |
| 1.4 主要研究内容 | 第17页 |
| 1.5 论文组织结构 | 第17-19页 |
| 第2章 污泥沉降比软测量模型 | 第19-25页 |
| 2.1 软测量技术简介 | 第19-21页 |
| 2.1.1 辅助变量选择 | 第19页 |
| 2.1.2 数据采集与预处理 | 第19-20页 |
| 2.1.3 软测量建模类型 | 第20-21页 |
| 2.2 SV%软测量模型设计 | 第21-24页 |
| 2.2.1 活性污泥曝气池形式 | 第21页 |
| 2.2.2 活性污泥性状及膨胀机理 | 第21-22页 |
| 2.2.3 活性污泥膨胀影响因素 | 第22-23页 |
| 2.2.4 SV%软测量模型建立 | 第23-24页 |
| 2.3 本章小结 | 第24-25页 |
| 第3章 粒子群算法优化BP神经网络 | 第25-33页 |
| 3.1 BP神经网络 | 第25-28页 |
| 3.1.1 概述 | 第25页 |
| 3.1.2 结构 | 第25-26页 |
| 3.1.3 计算过程 | 第26页 |
| 3.1.4 学习 | 第26-27页 |
| 3.1.5 优缺点 | 第27-28页 |
| 3.2 粒子群算法 | 第28-30页 |
| 3.2.1 历史背景 | 第28-29页 |
| 3.2.2 基本原理 | 第29页 |
| 3.2.3 步骤流程 | 第29-30页 |
| 3.2.4 算法特点 | 第30页 |
| 3.2.5 参数设置 | 第30页 |
| 3.3 粒子群算法优化BP网络参数 | 第30-31页 |
| 3.4 本章小结 | 第31-33页 |
| 第4章 PSO-BP网络的改进 | 第33-44页 |
| 4.1 PSO算法改进 | 第33-38页 |
| 4.1.1 经典改进方法 | 第33-34页 |
| 4.1.2 粒子运动轨迹分析 | 第34-36页 |
| 4.1.3 PSO算法收敛性分析 | 第36-37页 |
| 4.1.4 本文所用改进方法 | 第37-38页 |
| 4.2 BP网络结构改进 | 第38页 |
| 4.3 改进前后性能比较 | 第38-43页 |
| 4.4 本章小结 | 第43-44页 |
| 第5章 污泥沉降比软测量器的设计与应用 | 第44-63页 |
| 5.1 软测量器设计分析 | 第44-48页 |
| 5.1.1 基本功能 | 第44页 |
| 5.1.2 组成部分 | 第44-45页 |
| 5.1.3 选型 | 第45-48页 |
| 5.2 实时软测量器的具体实现 | 第48-62页 |
| 5.2.1 Kepserver与PLC通讯 | 第48-56页 |
| 5.2.2 MATLAB与Kepserver通讯 | 第56页 |
| 5.2.3 以PSO-BP为核心的Simulink工作空间搭建 | 第56-58页 |
| 5.2.4 FameView与Kepserver通讯及显示 | 第58-62页 |
| 5.3 本章小结 | 第62-63页 |
| 第6章 结论与展望 | 第63-64页 |
| 6.1 结论 | 第63页 |
| 6.2 展望 | 第63-64页 |
| 参考文献 | 第64-68页 |
| 致谢 | 第68页 |