| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-19页 |
| 1.1 膜生物反应概述 | 第9-16页 |
| 1.1.1 膜生物反应器(MBR)技术简介 | 第9页 |
| 1.1.2 膜生物反应器的构成与分类 | 第9-11页 |
| 1.1.3 膜生物反应器处理原理 | 第11-13页 |
| 1.1.4 膜生物反应器的优点与不足 | 第13-14页 |
| 1.1.5 膜生物反应器的研究现状 | 第14-16页 |
| 1.2 课题研究条件 | 第16页 |
| 1.3 课题研究的内容、目的和意义 | 第16-17页 |
| 1.3.1 课题研究内容 | 第16-17页 |
| 1.3.2 课题研究目的和意义 | 第17页 |
| 1.4 论文结构安排 | 第17-19页 |
| 第二章 MBR膜污染与防治 | 第19-29页 |
| 2.1 膜污染机理 | 第19-20页 |
| 2.2 膜污染分类 | 第20-22页 |
| 2.2.1 无机物污染 | 第21页 |
| 2.2.2 有机物污染 | 第21-22页 |
| 2.2.3 微生物污染 | 第22页 |
| 2.2.4 固形污染和胶体污染 | 第22页 |
| 2.3 膜污染影响因素 | 第22-26页 |
| 2.3.1 膜性质与膜组件 | 第24页 |
| 2.3.2 膜组件的运行条件与操作方式 | 第24-25页 |
| 2.3.3 混合液性质 | 第25-26页 |
| 2.4 膜污染的防治 | 第26-29页 |
| 2.4.1 膜污染的控制方法 | 第26-27页 |
| 2.4.2 膜清洗 | 第27-29页 |
| 第三章 统计学习理论及支持向量机 | 第29-39页 |
| 3.1 统计学习理论 | 第29-33页 |
| 3.1.1 机器学习问题的表示 | 第30页 |
| 3.1.2 期望风险和经验风险 | 第30-31页 |
| 3.1.3 VC维理论 | 第31-32页 |
| 3.1.4 结构风险最小化 | 第32-33页 |
| 3.2 支持向量机 | 第33-39页 |
| 3.2.1 支持向量机原理 | 第33页 |
| 3.2.2 线性可分支持向量机 | 第33-34页 |
| 3.2.3 线性不可分支持向量机 | 第34-35页 |
| 3.2.4 核函数特征空间 | 第35-39页 |
| 第四章 基于模拟退火算法和支持向量机的MBR膜污染预测模型 | 第39-51页 |
| 4.1 模拟退火算法的理论研究 | 第39-44页 |
| 4.1.1 模拟退火算法的基本原理 | 第39-40页 |
| 4.1.2 退火过程的数学描述 | 第40-42页 |
| 4.1.3 算法的计算步骤和流程图 | 第42-44页 |
| 4.2 膜污染仿真预测模型 | 第44-46页 |
| 4.2.1 数据预处理 | 第44-45页 |
| 4.2.2 建立MBR膜污染仿真预测模型 | 第45-46页 |
| 4.3 利用模拟退火算法优化MBR膜污染支持向量机模型 | 第46-51页 |
| 4.3.1 模拟退火支持向量机 | 第46-47页 |
| 4.3.2 确定模型的输入、输出和相关参数 | 第47-48页 |
| 4.3.3 预测结果及分析 | 第48-51页 |
| 第五章 自适应遗传退火算法优化MBR膜污染模型参数 | 第51-59页 |
| 5.1 模拟退火算法存在的不足 | 第51页 |
| 5.2 基于ASAGA-SVM的MBR膜污染预测模型 | 第51-56页 |
| 5.2.1 遗传算法基本原理 | 第51-54页 |
| 5.2.2 基于ASAGA-SVM的MBR膜污染预测模型 | 第54-56页 |
| 5.3 实验结果及分析 | 第56-59页 |
| 第六章 结论与展望 | 第59-61页 |
| 参考文献 | 第61-65页 |
| 发表论文及参加科研情况 | 第65-67页 |
| 致谢 | 第67页 |
