| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 绪论 | 第8-18页 |
| 1.1 引言 | 第8页 |
| 1.2 PH 中和过程控制研究现状 | 第8-10页 |
| 1.3 预测控制原理及发展现状 | 第10-14页 |
| 1.3.1 预测控制发展与应用 | 第10-12页 |
| 1.3.2 预测控制原理 | 第12-14页 |
| 1.4 人工神经网络特性分析 | 第14-16页 |
| 1.4.1 多层前向神经网络 | 第14-15页 |
| 1.4.2 动态递归神经网络 | 第15-16页 |
| 1.5 课题研究的意义 | 第16-17页 |
| 1.6 本文的主要研究内容及研究方法 | 第17-18页 |
| 2 水处理中和过程机理模型 | 第18-27页 |
| 2.1 电厂水处理过程特点分析 | 第18-20页 |
| 2.2 废水中和过程分析 | 第20-21页 |
| 2.3 强酸强碱中和过程机理模型 | 第21-24页 |
| 2.3.1 强酸强碱中和过程静态模型 | 第22页 |
| 2.3.2 强酸强碱中和过程的动态模型 | 第22-24页 |
| 2.4 基于强酸当量中和过程模型 | 第24-26页 |
| 2.5 本章小结 | 第26-27页 |
| 3 废水中和过程的神经网络建模与辨识 | 第27-44页 |
| 3.1 非线性模型分析 | 第27-28页 |
| 3.2 神经网络建模与模型辨识 | 第28-29页 |
| 3.2.1 神经网络辨识方法 | 第28-29页 |
| 3.3 改进的动态离子群算法(DPSO) | 第29-33页 |
| 3.3.1 常用优化算法比较 | 第29-30页 |
| 3.3.2 改进聚集度优化 PSO 算法(DPSO) | 第30-33页 |
| 3.4 算法仿真分析 | 第33-39页 |
| 3.4.1 中和过程的动态递归神经网络仿真 | 第33-35页 |
| 3.4.2 基于混合神经网络的中和过程仿真 | 第35-39页 |
| 3.5 基于贝叶斯-高斯网络的中和过程辨识 | 第39-43页 |
| 3.5.1 贝叶斯-高斯网络模型推理 | 第39-40页 |
| 3.5.2 贝叶斯高斯网络模型辨识结构及算法 | 第40-41页 |
| 3.5.3 时变系统仿真 | 第41-43页 |
| 3.5.4 结论 | 第43页 |
| 3.6 本章小结 | 第43-44页 |
| 4 中和过程的神经网络预测控制 | 第44-56页 |
| 4.1 引言 | 第44页 |
| 4.2 废水中和过程神经网络辨识 | 第44-48页 |
| 4.2.1 基于敏感度的 RBF 混合网络 | 第45-46页 |
| 4.2.2 RBF 混合神经网络模型结构 | 第46-47页 |
| 4.2.3 SA-DPSO 混合优化算法步骤 | 第47-48页 |
| 4.3 废水 PH 中和过程神经网络预测控制 | 第48-51页 |
| 4.3.1 预测控制系统结构 | 第48-49页 |
| 4.3.2 神经网络模型的递推多步预测 | 第49页 |
| 4.3.3 反馈校正 | 第49-50页 |
| 4.3.4 RBF 神经网络控制器(NPC) | 第50页 |
| 4.3.5 控制算法步骤 | 第50-51页 |
| 4.4 控制系统仿真分析 | 第51-53页 |
| 4.4.1 PH 值控制系统仿真 | 第51-53页 |
| 4.5 多变量系统的预测控制 | 第53-54页 |
| 4.5.1 多变量系统的神经网络预测控制 | 第53-54页 |
| 4.6 本章小结 | 第54-56页 |
| 5 总结与展望 | 第56-58页 |
| 5.1 全文总结 | 第56页 |
| 5.2 研究与展望 | 第56-58页 |
| 致谢 | 第58-59页 |
| 参考文献 | 第59-62页 |
| 附录 | 第62页 |