基于BP神经网络的IC反应器废水处理系统预测研究
| 摘要 | 第6-7页 |
| abstract | 第7-8页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-17页 |
| 1.2.1 污水处理过程中建模现状 | 第12-13页 |
| 1.2.2 人工神经网络在污水处理系统中的应用 | 第13-15页 |
| 1.2.3 厌氧过程及厌氧反应器建模现状 | 第15-17页 |
| 1.3 研究内容和技术路线图 | 第17-19页 |
| 1.3.1 研究内容 | 第17页 |
| 1.3.2 技术路线图 | 第17-19页 |
| 第2章 人工神经网络概述 | 第19-31页 |
| 2.1 人工神经网络发展史 | 第19页 |
| 2.2 神经网络模型 | 第19-22页 |
| 2.2.1 生物神经元 | 第19-20页 |
| 2.2.2 神经元模型 | 第20-22页 |
| 2.3 BP神经网络 | 第22-30页 |
| 2.3.1 BP网络学习过程 | 第22-23页 |
| 2.3.2 BP网络学习算法 | 第23-29页 |
| 2.3.3 神经网络优点及局限性 | 第29-30页 |
| 2.4 小结 | 第30-31页 |
| 第3章 BP神经网络构建 | 第31-45页 |
| 3.1 试验的样本数据 | 第31-39页 |
| 3.1.1 输入因素选取 | 第31-33页 |
| 3.1.2 样本数据的要求 | 第33页 |
| 3.1.3 样本数据的获取 | 第33-35页 |
| 3.1.4 样本数据的预处理与分析 | 第35-39页 |
| 3.2 预测模型 | 第39-42页 |
| 3.2.1 预测数学模型 | 第39-40页 |
| 3.2.2 学习参数选取 | 第40-42页 |
| 3.3 预测结果分析 | 第42-44页 |
| 3.4 小结 | 第44-45页 |
| 第4章 遗传神经网络构建 | 第45-57页 |
| 4.1 引言 | 第45页 |
| 4.2 遗传算法原理 | 第45-49页 |
| 4.2.1 遗传算法数学模型 | 第46-47页 |
| 4.2.2 遗传算法运算流程 | 第47-49页 |
| 4.3 基于遗传算法优化的BP神经网络算法实现 | 第49-55页 |
| 4.3.1 建立优化模型 | 第49-52页 |
| 4.3.2 优化结果分析 | 第52-55页 |
| 4.4 优化前后对比 | 第55-56页 |
| 4.5 小结 | 第56-57页 |
| 第5章 模型验证 | 第57-62页 |
| 5.1 引言 | 第57页 |
| 5.2 厂区概况 | 第57-58页 |
| 5.3 结果分析 | 第58-61页 |
| 5.4 小结 | 第61-62页 |
| 结论与展望 | 第62-64页 |
| 结论 | 第62页 |
| 展望 | 第62-64页 |
| 致谢 | 第64-65页 |
| 参考文献 | 第65-68页 |
