| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 污水处理研究的背景和意义 | 第9-10页 |
| 1.2 污水处理的研究发展现状 | 第10-11页 |
| 1.3 课题的主要工作 | 第11-12页 |
| 1.4 论文的研究内容和结构 | 第12-14页 |
| 第二章 污水处理工艺简介 | 第14-22页 |
| 2.1 污水的生物处理 | 第14页 |
| 2.2 污水处理工艺 | 第14-21页 |
| 2.2.1 曝气生物滤池 | 第14-16页 |
| 2.2.2 曝气生物滤池工艺流程 | 第16-18页 |
| 2.2.3 曝气生物滤池工艺设计 | 第18-19页 |
| 2.2.4 曝气生物滤池工艺设计中的相关影响要素 | 第19-21页 |
| 2.2.5 BAF的控制系统简述 | 第21页 |
| 2.3 本章小结 | 第21-22页 |
| 第三章 基于神经网络软测量预测污水出水COD的研究 | 第22-39页 |
| 3.1 神经网络理论概述 | 第22-25页 |
| 3.1.1 神经网络的发展状况 | 第22-24页 |
| 3.1.2 神经网络模型算法 | 第24-25页 |
| 3.2 BP神经网络设计 | 第25-31页 |
| 3.2.1 BP神经网络的基本结构 | 第25页 |
| 3.2.2 BP神经网络的学习过程 | 第25-27页 |
| 3.2.3 BP神经网络存在的问题和优化的方法 | 第27-28页 |
| 3.2.4 基于改进的BP神经网络的出水COD软测量预测研究 | 第28-31页 |
| 3.3 Elman神经网络 | 第31-38页 |
| 3.3.1 Elman神经网络结构 | 第31-32页 |
| 3.3.2 Elman神经网络算法 | 第32-34页 |
| 3.3.3 Elman神经网络算法预测流程 | 第34页 |
| 3.3.4 基于改进的Elman神经网络模型研究 | 第34-36页 |
| 3.3.5 基于改进的Elman神经网络软测量出水COD仿真与验证 | 第36-38页 |
| 3.4 本章小结 | 第38-39页 |
| 第四章 支持向量机在污水处理软测量预测出水COD的研究 | 第39-58页 |
| 4.1 支持向量机理论和思想 | 第39-42页 |
| 4.1.1 机器学习基本问题 | 第39-40页 |
| 4.1.2 边界的理论与VC维 | 第40页 |
| 4.1.3 推广误差边界 | 第40-41页 |
| 4.1.4 结构风险最小化原理归纳 | 第41-42页 |
| 4.2 支持向量机基本方法 | 第42-44页 |
| 4.2.1 线性问题分类 | 第42-43页 |
| 4.2.2 近似线性分类问题 | 第43-44页 |
| 4.2.3 非线性分类问题 | 第44页 |
| 4.3 支持向量机（SVM）在预测出水COD中的应用研究 | 第44-47页 |
| 4.3.1 支持向量机核函数的选择 | 第44-45页 |
| 4.3.2 支持向量机在MATLAB中的实现 | 第45页 |
| 4.3.3 基于支持向量机预测出水COD的仿真与验证 | 第45-47页 |
| 4.4 支持向量机的参数优化 | 第47-57页 |
| 4.4.1 网格法对出水COD预测模型寻优研究 | 第48-52页 |
| 4.4.2 粒子群算法对出水COD预测模型寻优研究 | 第52-57页 |
| 4.5 本章小结 | 第57-58页 |
| 第五章 支持向量机与改进的神经网络联合预测出水COD的研究 | 第58-64页 |
| 5.1 引言 | 第58页 |
| 5.2 基于联合软测量COD预测模型的研究 | 第58-59页 |
| 5.3 神经网络预测结果的输出融合方法 | 第59-60页 |
| 5.4 基于SVM与改进神经网络联合软测量建模仿真与研究 | 第60-63页 |
| 5.5 本章小结 | 第63-64页 |
| 第六章 总结与展望 | 第64-66页 |
| 6.1 总结 | 第64-65页 |
| 6.2 展望 | 第65-66页 |
| 参考文献 | 第66-70页 |
| 附录一 插图、表格清单 | 第70-72页 |
| 附录二 实验数据 | 第72-74页 |
| 在读期间发表的学术论文 | 第74-75页 |
| 致谢 | 第75页 |
