| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 水质评价算法的研究现状 | 第10-12页 |
| 1.3 水质预测算法的研究现状 | 第12-14页 |
| 1.4 本文研究内容 | 第14-16页 |
| 第2章 水质在线监测技术研究 | 第16-26页 |
| 2.1 引言 | 第16页 |
| 2.2 水质监测系统整体框架 | 第16-17页 |
| 2.3 数据采集与控制模块 | 第17-23页 |
| 2.3.1 数据采集主板卡 | 第18-20页 |
| 2.3.2 数据采集子板卡 | 第20-22页 |
| 2.3.3 控制配水模块 | 第22-23页 |
| 2.4 水质在线监测系统的整体安装 | 第23-24页 |
| 2.5 水质监测系统测试 | 第24-25页 |
| 2.6 本章小结 | 第25-26页 |
| 第3章 最小二乘支持向量机及粒子群算法研究 | 第26-42页 |
| 3.1 引言 | 第26页 |
| 3.2 最小二乘支持向量机算法 | 第26-36页 |
| 3.2.1 最小二乘支持向量分类算法 | 第26-31页 |
| 3.2.2 最小二乘支持向量回归算法 | 第31-33页 |
| 3.2.3 最小二乘支持向量机的参数优化 | 第33-36页 |
| 3.3 粒子群优化算法 | 第36-39页 |
| 3.3.1 基本粒子群算法原理 | 第36-37页 |
| 3.3.2 自适应变异粒子群算法 | 第37-39页 |
| 3.4 粒子群算法优化LS-SVM | 第39-41页 |
| 3.4.1 基于粒子群的LS-SVM参数优化 | 第39页 |
| 3.4.2 仿真分析 | 第39-41页 |
| 3.5 本章小结 | 第41-42页 |
| 第4章 基于多分类LS-SVC的水质评价算法研究 | 第42-50页 |
| 4.1 引言 | 第42页 |
| 4.2 基于多分类LS-SVC的水质评价模型 | 第42-45页 |
| 4.2.1 最小二乘支持分类机的多分类方法 | 第42-44页 |
| 4.2.2 多分类LS-SVC水质评价模型的建立 | 第44-45页 |
| 4.3 实验仿真与结果分析 | 第45-49页 |
| 4.4 本章小结 | 第49-50页 |
| 第5章 基于LS-SVR的水质预测算法研究 | 第50-68页 |
| 5.1 引言 | 第50页 |
| 5.2 基于历史数据的偏最小二乘LS-SVR水质预测因子模型 | 第50-59页 |
| 5.2.1 水质因子相关性分析 | 第50-54页 |
| 5.2.2 偏最小二乘LS-SVR水质因子预测模型 | 第54-55页 |
| 5.2.3 实验仿真与结果分析 | 第55-59页 |
| 5.3 基于模糊信息粒化与LS-SVR的水质因子预测模型 | 第59-66页 |
| 5.3.1 模糊信息粒化时序模型 | 第60-62页 |
| 5.3.2 基于模糊信息粒化的水质因子预测模型的建立 | 第62-63页 |
| 5.3.3 实验仿真与结果分析 | 第63-66页 |
| 5.4 未来水质等级的预测 | 第66-67页 |
| 5.5 本章小结 | 第67-68页 |
| 结论 | 第68-70页 |
| 参考文献 | 第70-74页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第74-76页 |
| 致谢 | 第76页 |
