| 摘要 | 第6-8页 |
| abstract | 第8-9页 |
| 第一章 绪论 | 第13-19页 |
| 1.1 研究背景 | 第13页 |
| 1.2 反渗透膜通量研究现状 | 第13-15页 |
| 1.3 径向基神经网络研究现状 | 第15-16页 |
| 1.4 课题的提出 | 第16-19页 |
| 1.4.1 研究的目的 | 第16-17页 |
| 1.4.2 研究的内容 | 第17页 |
| 1.4.3 技术路线 | 第17-19页 |
| 第二章 径向基人工神经网络设计 | 第19-30页 |
| 2.1 RBF神经网络的原理与结构 | 第19-22页 |
| 2.1.1 RBF神经网络的响应原理 | 第19-21页 |
| 2.1.2 RBF神经网络的拓扑结构 | 第21-22页 |
| 2.2 RBF神经网络的数学基础 | 第22-23页 |
| 2.3 RBF神经网络的学习算法 | 第23-29页 |
| 2.3.1 基于K-means聚类算法的RBF神经网络 | 第23-25页 |
| 2.3.2 基于正交最小二乘(OLS)算法的RBF神经网路 | 第25-27页 |
| 2.3.3 基于资源分配算法的RBF神经网络 | 第27-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第三章 反渗透试验 | 第30-41页 |
| 3.1 试验仪器及分析方法 | 第30-31页 |
| 3.2 试验装置及进水水质 | 第31-34页 |
| 3.2.0 DTRO膜组件结构及原理 | 第31-32页 |
| 3.2.1 试验装置 | 第32-33页 |
| 3.2.2 反渗透膜 | 第33-34页 |
| 3.2.3 进水水质 | 第34页 |
| 3.3 试验因子及测定方法 | 第34-36页 |
| 3.3.1 试验因子选择 | 第34-35页 |
| 3.3.2 测定方法 | 第35-36页 |
| 3.3.3 采样周期 | 第36页 |
| 3.4 试验结果讨论 | 第36-39页 |
| 3.4.1 膜通量与运行时间关系 | 第36-37页 |
| 3.4.2 膜通量与运行压力关系 | 第37-38页 |
| 3.4.3 膜通量与进水pH关系 | 第38-39页 |
| 3.5 本章小结 | 第39-41页 |
| 第四章 理论模型膜通量预测 | 第41-46页 |
| 4.1 反渗透理论模型 | 第41-43页 |
| 4.2 理论模型膜通量预测 | 第43-45页 |
| 4.3 本章小结 | 第45-46页 |
| 第五章 径向基神经网络膜通量预测 | 第46-58页 |
| 5.1 试验数据及处理 | 第46-47页 |
| 5.1.1 数据的代表性 | 第46-47页 |
| 5.1.2 数据的前处理 | 第47页 |
| 5.2 基于K-means聚类算法的膜通量预测 | 第47-50页 |
| 5.3 基于OLS算法的膜通量预测 | 第50-52页 |
| 5.4 基于资源分配算法的膜通量预测 | 第52-56页 |
| 5.5 本章小结 | 第56-58页 |
| 结论和展望 | 第58-61页 |
| 结论 | 第58-60页 |
| 展望 | 第60-61页 |
| 致谢 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 攻读硕士学位期间发表的论文及科研成果 | 第66页 |