| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1.绪论 | 第9-19页 |
| 1.1 研究背景及意义 | 第9-12页 |
| 1.1.1 研究背景 | 第9-10页 |
| 1.1.2 研究意义 | 第10-12页 |
| 1.2 国内外研究现状及文献综述 | 第12-15页 |
| 1.2.1 国外研究现状及文献综述 | 第12-14页 |
| 1.2.2 国内研究现状及文献综述 | 第14-15页 |
| 1.2.3 相关研究综合评述 | 第15页 |
| 1.3 研究内容及技术路线 | 第15-19页 |
| 1.3.1 研究内容 | 第15-17页 |
| 1.3.2 研究方法 | 第17页 |
| 1.3.3 技术路线图 | 第17-19页 |
| 2.理论综述 | 第19-34页 |
| 2.1 再生水资源回用理论 | 第19-24页 |
| 2.1.1 再生水回用概念与原则 | 第19-20页 |
| 2.1.2 再生水回用供水模式与对象 | 第20-21页 |
| 2.1.3 再生水回用处理工艺及水质标准 | 第21-22页 |
| 2.1.4 再生水回用管网规划布局 | 第22页 |
| 2.1.5 再生回用可供水量与需水量计算 | 第22-24页 |
| 2.2 智能优化算法理论 | 第24-28页 |
| 2.2.1 遗传算法 | 第25-26页 |
| 2.2.2 人工蚁群算法 | 第26-27页 |
| 2.2.3 粒子群算法 | 第27-28页 |
| 2.3 集成学习理论 | 第28-33页 |
| 2.3.1 集成学习的基本概念 | 第28-29页 |
| 2.3.2 集成学习的作用 | 第29-30页 |
| 2.3.3 集成学习的发展 | 第30页 |
| 2.3.4 集成学习的构成 | 第30-31页 |
| 2.3.5 集成学习主要算法简介 | 第31-33页 |
| 2.4 本章小结 | 第33-34页 |
| 3.再生水资源配置模式及用户选定 | 第34-46页 |
| 3.1 配置模式选定的再生水厂临界距离判据 | 第34-40页 |
| 3.1.1 临界距离的分析 | 第34-35页 |
| 3.1.2 临界距离建立的前提 | 第35页 |
| 3.1.3 临界距离的推导 | 第35-40页 |
| 3.2 配置用户选定的分散式再生水厂最小经济规模判据 | 第40-42页 |
| 3.2.1 最小经济规模的分析 | 第40-41页 |
| 3.2.2 最小经济规模的确定 | 第41-42页 |
| 3.3 配置用户选定的再生水厂管网利用效率判据 | 第42-44页 |
| 3.3.1 管网利用效率的分析 | 第42页 |
| 3.3.2 再生水管网利用率的定义 | 第42-43页 |
| 3.3.3 再生水管网利用率的分类 | 第43-44页 |
| 3.4 配置模式及用户的选定结果 | 第44页 |
| 3.5 本章小结 | 第44-46页 |
| 4.面向集成学习的再生水资源配置样本集形成 | 第46-63页 |
| 4.1 配置样本集形成模型建立 | 第46-53页 |
| 4.1.1 单位制水成本费用计算 | 第46-51页 |
| 4.1.2 配水目标函数 | 第51-52页 |
| 4.1.3 配水约束条件 | 第52-53页 |
| 4.2 基于遗传算法的配置样本集形成 | 第53-56页 |
| 4.2.1 配置样本集形成的算法设计 | 第53-55页 |
| 4.2.2 配置样本集形成的算法流程 | 第55-56页 |
| 4.3 基于人工蚁群算法的配置样本集形成 | 第56-59页 |
| 4.3.1 配置样本集形成的算法设计 | 第56-58页 |
| 4.3.2 配置样本集形成的算法流程 | 第58-59页 |
| 4.4 基于粒子群算法的配置样本集形成 | 第59-62页 |
| 4.4.1 配置样本集形成的算法设计 | 第59-61页 |
| 4.4.2 配置样本集形成的算法流程 | 第61-62页 |
| 4.5 本章小结 | 第62-63页 |
| 5.基于集成学习的再生水资源配置研究 | 第63-78页 |
| 5.1 支持再生水资源配置的集成学习算法选择 | 第63-66页 |
| 5.1.1 不同算法比较 | 第63-65页 |
| 5.1.2 Adaboost集成学习算法描述 | 第65-66页 |
| 5.2 支持再生水资源配置的集成学习器构建 | 第66-71页 |
| 5.2.1 弱学习器支持向量机(SVM)构建 | 第66-70页 |
| 5.2.2 Adaboost集成学习算法强学习器构建 | 第70-71页 |
| 5.3 基于Ada-SVM集成学习的再生水资源配置框架建立 | 第71-72页 |
| 5.4 基于Ada-SVM集成学习的再生水资源配置样本集处理 | 第72-75页 |
| 5.4.1 样本集数据抽取 | 第72-73页 |
| 5.4.2 样本集数据处理 | 第73-74页 |
| 5.4.3 样本集权值设置 | 第74-75页 |
| 5.5 基于Ada-SVM集成学习的再生水资源配置算法流程 | 第75-76页 |
| 5.6 本章小结 | 第76-78页 |
| 6.基于集成学习的再生水资源配置方法应用实例研究 | 第78-93页 |
| 6.1 研究区域概况 | 第78-79页 |
| 6.2 研究区域再生水资源配置模式及用户选定 | 第79-83页 |
| 6.2.1 临界距离计算 | 第79-81页 |
| 6.2.2 最小经济规模计算 | 第81页 |
| 6.2.3 管网利用效率计算 | 第81页 |
| 6.2.4 配置模式及用户选定结果 | 第81-83页 |
| 6.3 研究区域面向集成学习的再生水资源配置样本集获取 | 第83-87页 |
| 6.3.1 基于遗传算法的配置样本集获取 | 第84-85页 |
| 6.3.2 基于人工蚁群算法的配置样本集获取 | 第85-86页 |
| 6.3.3 基于粒子群算法的配置样本集获取 | 第86-87页 |
| 6.4 研究区域基于集成学习的再生水资源配置 | 第87-92页 |
| 6.4.1 样本集数据处理结果 | 第87-88页 |
| 6.4.2 再生水资源配置结果 | 第88-89页 |
| 6.4.3 再生水资源配置结果分析 | 第89-92页 |
| 6.5 本章小结 | 第92-93页 |
| 7.总结与展望 | 第93-96页 |
| 7.1 总结 | 第93-94页 |
| 7.2 展望 | 第94-96页 |
| 致谢 | 第96-97页 |
| 参考文献 | 第97-102页 |
| 攻读硕士学位期间发表论文及奖励情况 | 第102页 |
