| 摘要 | 第6-8页 |
| Abstract | 第8-9页 |
| 第1章 绪论 | 第12-22页 |
| 1.1 污水处理过程故障诊断的研究背景及选题意义 | 第12-14页 |
| 1.2 国内外研究现状 | 第14-20页 |
| 1.2.1 故障检测与诊断研究方法现状 | 第14-16页 |
| 1.2.2 污水处理过程故障检测与诊断方法研究现状 | 第16-20页 |
| 1.3 论文主要研究内容 | 第20-22页 |
| 第2章 污水处理过程模型研究 | 第22-28页 |
| 2.1 产生背景 | 第22-23页 |
| 2.2 模型结构 | 第23页 |
| 2.3 水质成分介绍 | 第23-24页 |
| 2.4 实验数据 | 第24-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第3章 基于EMD-IFCM-KPCA的污水处理过程故障检测方法 | 第28-40页 |
| 3.1 基于EMD分解的信号降噪原理 | 第28-29页 |
| 3.2 改进的模糊C均值聚类 | 第29-32页 |
| 3.2.1 减法聚类 | 第29-31页 |
| 3.2.2 模糊C均值 | 第31-32页 |
| 3.2.3 改进的模糊C均值聚类 | 第32页 |
| 3.3 基于核主成分分析的故障特征检测 | 第32-37页 |
| 3.3.1 主成分分析 | 第32-34页 |
| 3.3.2 核主成分分析 | 第34-36页 |
| 3.3.3 基于KPCA的故障检测方法 | 第36-37页 |
| 3.4 基于EMD-IFCM-KPCA的集合型故障诊断方法 | 第37-38页 |
| 3.4.1 算法原理 | 第37页 |
| 3.4.2 算法流程 | 第37-38页 |
| 3.5 本章小结 | 第38-40页 |
| 第4章 基于IJITL-IEMD-RLSSVM污水处理过程故障诊断方法 | 第40-53页 |
| 4.1 改进的即时学习算法 | 第40-44页 |
| 4.1.1 自组织神经网络 | 第40-41页 |
| 4.1.2 基于增量的自组织神经网络 | 第41-42页 |
| 4.1.3 即时学习算法 | 第42页 |
| 4.1.4 改进的即时学习算法 | 第42-44页 |
| 4.2 基于IEMD分解的信号降噪原理 | 第44-46页 |
| 4.2.1 滑动窗口算法 | 第44-45页 |
| 4.2.2 基于IEMD分解的信号降噪原理 | 第45-46页 |
| 4.3 基于递推最小二乘的支持向量机 | 第46-51页 |
| 4.3.1 支持向量机的原理及分类方法 | 第46-48页 |
| 4.3.2 最小二乘支持向量机算法 | 第48-49页 |
| 4.3.3 基于递推最小二乘的支持向量机 | 第49-51页 |
| 4.4 基于IJITL-IEMD-RLSSVM的集合型多模态故障诊断方法 | 第51-52页 |
| 4.4.1 算法原理 | 第51页 |
| 4.4.2 算法流程 | 第51-52页 |
| 4.5 本章小结 | 第52-53页 |
| 第5章 污水处理过程故障检测与诊断方法实验研究 | 第53-64页 |
| 5.1 基于EMD-IFCM-KPCA的集合型故障检测方法实验研究 | 第53-60页 |
| 5.1.1 IFCM数据分类 | 第53页 |
| 5.1.2 基于EMD-IFCM-KPCA的污水处理过程故障检测 | 第53-60页 |
| 5.2 基于IJITL-IEMD-RLSSVM故障诊断方法实验研究 | 第60-62页 |
| 5.2.1 ISOM数据分类 | 第60-61页 |
| 5.2.2 基于IJITL-IEMD-RLSSVM的污水处理过程故障诊断 | 第61-62页 |
| 5.3 本章小结 | 第62-64页 |
| 结论 | 第64-65页 |
| 参考文献 | 第65-72页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第72-73页 |
| 致谢 | 第73页 |
