| 致谢 | 第7-10页 |
| 摘要 | 第10-12页 |
| Abstract | 第12-13页 |
| 第一章 绪论 | 第14-23页 |
| 1.1 研究背景 | 第14-15页 |
| 1.2 神经网络及其在污水处理领域应用现状 | 第15-21页 |
| 1.2.1 神经网络 | 第15-19页 |
| 1.2.2 神经网络在污水处理领域的应用现状 | 第19-21页 |
| 1.3 研究内容与方法 | 第21-23页 |
| 第二章 基于Python的BSM1基准仿真平台构建 | 第23-34页 |
| 2.1 ASM1机理模型 | 第23-27页 |
| 2.1.1 模型变量与参数 | 第24-26页 |
| 2.1.2 污水处理生化反应过程 | 第26页 |
| 2.1.3 表观反应速率 | 第26-27页 |
| 2.2 BSM1基准仿真平台 | 第27-32页 |
| 2.2.1 生化反应池模型 | 第28-29页 |
| 2.2.2 沉淀池模型 | 第29-31页 |
| 2.2.3 出水水质评价指标 | 第31-32页 |
| 2.3 基于Python的BSM1基准仿真平台构建 | 第32-33页 |
| 2.4 小结 | 第33-34页 |
| 第三章 基于GRU循环神经网络的污水负荷预测分析 | 第34-63页 |
| 3.1 引言 | 第34-35页 |
| 3.2 时间序列分析方法 | 第35-38页 |
| 3.2.1 线性时间序列分析方法 | 第35-36页 |
| 3.2.2 非线性时间序列分析方法 | 第36-38页 |
| 3.3 基于GRU循环神经网络的BSM1基准仿真平台进水预测分析 | 第38-56页 |
| 3.3.1 问题识别 | 第38-41页 |
| 3.3.2 ARMA模型预测分析 | 第41-48页 |
| 3.3.3 前馈神经网络预测分析 | 第48-51页 |
| 3.3.4 GRU循环神经网络预测分析 | 第51-56页 |
| 3.4 基于GRU循环神经网络的垃圾填埋场渗滤液产量预测分析 | 第56-62页 |
| 3.4.1 填埋场渗滤液产生源分析 | 第56-58页 |
| 3.4.2 半经验线性回归模型预测分析 | 第58-60页 |
| 3.4.3 GRU循环神经网络预测分析 | 第60-62页 |
| 3.5 小结 | 第62-63页 |
| 第四章 基于DQN强化学习的污水处理自适应控制研究 | 第63-78页 |
| 4.1 引言 | 第63页 |
| 4.2 强化学习 | 第63-65页 |
| 4.3 基于DQN强化学习的BSM1基准仿真平台自适应控制研究 | 第65-70页 |
| 4.3.1 模型构建 | 第66-67页 |
| 4.3.2 仿真实验结果 | 第67-70页 |
| 4.4 基于DQN强化学习的微氧曝气SFA0~4处理工艺的自适应控制研究 | 第70-76页 |
| 4.4.1 工艺概述与试验装置 | 第70-72页 |
| 4.4.2 模型构建 | 第72-73页 |
| 4.4.3 反应器运行结果 | 第73-76页 |
| 4.5 小结 | 第76-78页 |
| 第五章 结论与展望 | 第78-80页 |
| 5.1 研究结论 | 第78页 |
| 5.2 主要创新点 | 第78-79页 |
| 5.3 研究展望 | 第79-80页 |
| 参考文献 | 第80-84页 |
| 作者简历 | 第84-85页 |
| 附录 | 第85-96页 |
