| 摘要 | 第5-7页 |
| ABSTRACT | 第7-9页 |
| 第1章 绪论 | 第13-27页 |
| 1.1 课题的背景及意义 | 第13-14页 |
| 1.2 污水处理过程水质指标检测方法现状 | 第14-15页 |
| 1.3 污水处理过程建模方法和水质软测量方法研究现状 | 第15-24页 |
| 1.3.1 污水处理过程建模方法研究现状 | 第16-20页 |
| 1.3.2 污水处理过程水质软测量方法研究现状 | 第20-24页 |
| 1.4 存在的问题 | 第24-25页 |
| 1.4.1 污水处理过程建模方法存在的问题 | 第24-25页 |
| 1.4.2 污水处理过程水质软测量方法存在的问题 | 第25页 |
| 1.5 本文的主要工作 | 第25-27页 |
| 第2章 活性污泥污水处理过程水质软测量问题描述 | 第27-49页 |
| 2.1 污水处理A/O工艺过程描述 | 第27-30页 |
| 2.2 污水处理过程水质COD实验检测过程描述 | 第30-33页 |
| 2.3 污水处理A/O工艺过程的特性分析 | 第33-43页 |
| 2.3.1 微生物生化反应机理描述 | 第33-36页 |
| 2.3.2 特性分析 | 第36-43页 |
| 2.3.2.1 非线性 | 第36-38页 |
| 2.3.2.2 多运行工况特性 | 第38页 |
| 2.3.2.3 不确定性和时变性 | 第38-43页 |
| 2.4 影响出水COD的相关过程变量分析 | 第43-46页 |
| 2.5 污水处理过程水质软测量模型存在的问题 | 第46-47页 |
| 2.6 本章小结 | 第47-49页 |
| 第3章 基于稳定学习算法的小波神经网络建模方法及在污水水质在线软测量中的应用 | 第49-73页 |
| 3.1 预备知识 | 第49-55页 |
| 3.1.1 输入到状态稳定性定理 | 第49-51页 |
| 3.1.2 小波神经网络简介及存在问题 | 第51-55页 |
| 3.1.2.1 小波神经网络简介 | 第51-54页 |
| 3.1.2.2 存在的问题 | 第54-55页 |
| 3.2 具有稳定学习算法的小波神经网络建模方法 | 第55-67页 |
| 3.2.1 小波神经网络的稳定学习算法 | 第55-59页 |
| 3.2.2 稳定性分析 | 第59-61页 |
| 3.2.3 仿真实例 | 第61-67页 |
| 3.3 小波神经网络建模方法在污水水质软测量中的应用研究 | 第67-72页 |
| 3.3.1 问题描述 | 第67页 |
| 3.3.2 水质软测量方法 | 第67-68页 |
| 3.3.3 仿真实验 | 第68-72页 |
| 3.3.3.1 数据描述 | 第68页 |
| 3.3.3.2 模型参数 | 第68-69页 |
| 3.3.3.3 仿真结果与分析 | 第69-72页 |
| 3.4 本章小结 | 第72-73页 |
| 第4章 小波神经网络和Hammerstein模型结合的污水水质多模型在线软测量方法 | 第73-105页 |
| 4.1 Hammerstein模型简介及存在的问题 | 第74-76页 |
| 4.1.1 Hammerstein模型简介 | 第74-75页 |
| 4.1.2 存在的问题 | 第75-76页 |
| 4.2 小波神经网络与H模型结合的污水水质多模型软测量方法 | 第76-94页 |
| 4.2.1 问题描述 | 第76-77页 |
| 4.2.2 模型结构 | 第77-82页 |
| 4.2.3 软测量模型算法 | 第82-92页 |
| 4.2.3.1 模型结构参数选择 | 第82-83页 |
| 4.2.3.2 模型参数辨识算法 | 第83-92页 |
| 4.2.4 多模型建模算法小结 | 第92-94页 |
| 4.3 仿真实验 | 第94-103页 |
| 4.3.1 数据描述 | 第94-96页 |
| 4.3.2 模型参数 | 第96-98页 |
| 4.3.3 实验结果与分析 | 第98-103页 |
| 4.4 本章小结 | 第103-105页 |
| 第5章 基于机理模型和神经网络的污水水质混合在线软测量方法 | 第105-133页 |
| 5.1 基于机理模型和神经网络的污水水质混合软测量方法 | 第106-125页 |
| 5.1.1 问题描述 | 第106-107页 |
| 5.1.2 模型结构 | 第107-120页 |
| 5.1.2.1 基于机理模型的缺氧池模型 | 第107-113页 |
| 5.1.2.2 基于机理模型的好氧池模型 | 第113-115页 |
| 5.1.2.3 二沉池模型 | 第115-116页 |
| 5.1.2.4 基于神经网络的缺氧反应速率模型 | 第116页 |
| 5.1.2.5 基于神经网络的好氧反应速率模型 | 第116-117页 |
| 5.1.2.6 组分计算模型 | 第117-119页 |
| 5.1.2.7 水质计算模型 | 第119-120页 |
| 5.1.3 软测量模型算法 | 第120-124页 |
| 5.1.3.1 模型结构参数选择 | 第121页 |
| 5.1.3.2 模型参数辨识算法 | 第121-124页 |
| 5.1.4 水质混合软测量模型的建模算法小结 | 第124-125页 |
| 5.2 仿真实验 | 第125-131页 |
| 5.2.1 数据描述 | 第125-127页 |
| 5.2.2 模型参数 | 第127-128页 |
| 5.2.3 实验结果与分析 | 第128-131页 |
| 5.3 本章小结 | 第131-133页 |
| 结束语 | 第133-135页 |
| 参考文献 | 第135-145页 |
| 致谢 | 第145-147页 |
| 攻读博士学位期间发表的论文 | 第147-149页 |
| 作者简介 | 第149页 |
