| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 论文背景及研究意义 | 第9-11页 |
| 1.2 污水处理软测量建模国内外研究现状 | 第11-13页 |
| 1.3 主要研究内容和组织结构 | 第13-15页 |
| 1.4 本章小结 | 第15-16页 |
| 第二章 基础理论 | 第16-34页 |
| 2.1 支持向量机理论 | 第16-25页 |
| 2.1.1 机器学习 | 第16-17页 |
| 2.1.2 统计学习理论 | 第17-20页 |
| 2.1.3 支持向量回归机 | 第20-25页 |
| 2.1.4 支持向量回归机模型求解流程 | 第25页 |
| 2.2 活性污泥法污水处理 | 第25-33页 |
| 2.2.1 污水处理的基本方法 | 第25-26页 |
| 2.2.2 基本水质指标及排放指标 | 第26-28页 |
| 2.2.3 SBR法工艺介绍 | 第28-29页 |
| 2.2.4 SBR生化处理过程 | 第29-30页 |
| 2.2.5 SBR法处理过程影响因素 | 第30-31页 |
| 2.2.6 数据分析与处理 | 第31-33页 |
| 2.3 本章小结 | 第33-34页 |
| 第三章 基于MK-SVR模型的出水指标建模 | 第34-53页 |
| 3.1 多核学习概况 | 第34页 |
| 3.2 多核函数构造原理 | 第34-35页 |
| 3.3 MK-SVR模型 | 第35-37页 |
| 3.4 MK-SVR模型特性研究 | 第37-39页 |
| 3.5 MK-SVR模型测试 | 第39-42页 |
| 3.6 MK-SVR在出水指标建模中的应用 | 第42-52页 |
| 3.6.1 MK-SVR建模流程 | 第42-43页 |
| 3.6.2 基于PCA分析的MK-SVR出水水质预测建模 | 第43-52页 |
| 3.7 本章小结 | 第52-53页 |
| 第四章 基于动量粒子群算法的MK-SVR出水指标建模 | 第53-67页 |
| 4.1 模型参数选择分析 | 第53-54页 |
| 4.2 基本PSO算法 | 第54-56页 |
| 4.2.1 基本PSO算法流程 | 第55页 |
| 4.2.2 基本PSO的不足 | 第55-56页 |
| 4.3 动量粒子群算法 | 第56-59页 |
| 4.3.1 MPSO与基本PSO的比较 | 第56-59页 |
| 4.4 基于MPSO算法的MK-SVR模型参数选择 | 第59-61页 |
| 4.4.1 算法流程 | 第60-61页 |
| 4.5 MPSO算法的MK-SVR出水指标仿真 | 第61-66页 |
| 4.6 本章小结 | 第66-67页 |
| 第五章 总结与展望 | 第67-69页 |
| 5.1 全文总结 | 第67-68页 |
| 5.2 展望 | 第68-69页 |
| 参考文献 | 第69-73页 |
| 攻读学位期间主要研究成果 | 第73-74页 |
| 致谢 | 第74页 |
