| 摘要 | 第6-8页 |
| Abstract | 第8-10页 |
| 第一章 绪论 | 第14-28页 |
| 1.1 研究背景及意义 | 第14-15页 |
| 1.2 国内外相关研究现状 | 第15-23页 |
| 1.2.1 供水管网水质模型研究进展 | 第15-16页 |
| 1.2.2 机理模型研究进展 | 第16-20页 |
| 1.2.2.1 主体水余氯衰减模型 | 第17-18页 |
| 1.2.2.2 管壁余氯衰减模型 | 第18-20页 |
| 1.2.3 基于统计思想的模型研究进展 | 第20-23页 |
| 1.2.3.1 人工神经网络模型研究进展 | 第20-21页 |
| 1.2.3.2 支持向量机模型研究进展 | 第21-22页 |
| 1.2.3.3 组合模型预测研究进展 | 第22-23页 |
| 1.2.4 文献综述评述 | 第23页 |
| 1.3 主要研究内容与技术路线 | 第23-27页 |
| 1.3.1 主要研究内容与章节安排 | 第23-26页 |
| 1.3.2 技术路线 | 第26-27页 |
| 1.4 主要创新点 | 第27-28页 |
| 第二章 供水管网余氯预测影响因子分析 | 第28-36页 |
| 2.1 供水管网余氯预测模型确定 | 第28-29页 |
| 2.2 影响ClO2变化因子的选择 | 第29-33页 |
| 2.2.1 ClO2性质分析 | 第29-31页 |
| 2.2.2 影响变量确定 | 第31-33页 |
| 2.3 研究区域选取 | 第33-34页 |
| 2.4 本章小结 | 第34-36页 |
| 第三章 基于支持向量机的供水管网余氯预测方法 | 第36-58页 |
| 3.1 支持向量机理论 | 第36-47页 |
| 3.1.1 基于数据的机器学习 | 第36-37页 |
| 3.1.2 经验风险极小化 | 第37-38页 |
| 3.1.3 统计学习理论 | 第38-40页 |
| 3.1.3.1 一致性条件 | 第38页 |
| 3.1.3.2 VC维 | 第38-39页 |
| 3.1.3.3 推广性的界 | 第39页 |
| 3.1.3.4 结构风险极小化原则 | 第39-40页 |
| 3.1.4 支持向量机原理 | 第40-47页 |
| 3.1.4.1 支持向量分类机 | 第41-44页 |
| 3.1.4.2 支持向量回归机 | 第44-46页 |
| 3.1.4.3 支持向量机的优缺点分析 | 第46-47页 |
| 3.2 支持向量回归机参数优化 | 第47-53页 |
| 3.2.1 优化参数确定 | 第47页 |
| 3.2.2 优化方法的选择 | 第47-53页 |
| 3.2.2.1 粒子群算法 | 第48-50页 |
| 3.2.2.2 粒子群算法对SVR余氯预测模型的优化 | 第50-53页 |
| 3.3 预测结果比较及分析 | 第53-56页 |
| 3.4 本章小结 | 第56-58页 |
| 第四章 基于人工神经网络的供水管网余氯预测方法 | 第58-82页 |
| 4.1 人工神经网络概述 | 第58-61页 |
| 4.1.1 人工神经网络发展历程 | 第58-59页 |
| 4.1.2 人工神经网络常用激励函数 | 第59-61页 |
| 4.2 常用神经网络 | 第61-80页 |
| 4.2.1 BP神经网络 | 第61-68页 |
| 4.2.1.1 BP神经网络结构 | 第61-63页 |
| 4.2.1.2 BP神经网络训练步骤 | 第63-65页 |
| 4.2.1.3 LM算法 | 第65-66页 |
| 4.1.1.4 LM-BP建立步骤 | 第66-67页 |
| 4.1.1.5 预测结果 | 第67-68页 |
| 4.2.2 Elman神经网络 | 第68-75页 |
| 4.2.2.1 Elman神经网络结构 | 第69-70页 |
| 4.2.2.2 Elman神经网络学习算法 | 第70页 |
| 4.2.2.3 人工蜂群算法(ABC) | 第70-71页 |
| 4.2.2.4 ABC-Elman建立步骤 | 第71-73页 |
| 4.2.2.5 预测结果 | 第73-75页 |
| 4.2.3 RBF神经网络 | 第75-80页 |
| 4.2.3.1 RBF神经网络结构 | 第75-76页 |
| 4.2.3.2 径向基函数 | 第76-77页 |
| 4.2.3.3 RBF神经网络学习算法步骤 | 第77-79页 |
| 4.2.3.4 预测结果 | 第79-80页 |
| 4.3 本章小结 | 第80-82页 |
| 第五章 支持向量机与神经网络供水管网余氯组合预测模型 | 第82-92页 |
| 5.1 组合模型概述 | 第82-83页 |
| 5.2 支持向量机与神经网络特点 | 第83-84页 |
| 5.3 支持向量机与神经网络组合模型 | 第84-91页 |
| 5.3.1 组合模型原理 | 第84页 |
| 5.3.2 组合模型建立步骤 | 第84-85页 |
| 5.3.3 组合模型预测结果 | 第85-91页 |
| 5.4 本章小结 | 第91-92页 |
| 第六章 结论与展望 | 第92-94页 |
| 6.1 结论 | 第92-93页 |
| 6.2 展望 | 第93-94页 |
| 致谢 | 第94-96页 |
| 参考文献 | 第96-104页 |
| 附录A.攻读硕士期间取得的科研成果 | 第104-105页 |