| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-20页 |
| 1.1 污水负荷预测的重要性 | 第11-12页 |
| 1.2 污水处理技术及其研究现状 | 第12-15页 |
| 1.2.1 几种污水处理技术的简介 | 第12-14页 |
| 1.2.2 污水处理A2O工艺的研究现状 | 第14-15页 |
| 1.3 预测技术发展现状及其在污水处理中的应用 | 第15-18页 |
| 1.3.1 预测技术的现状与发展 | 第15-17页 |
| 1.3.2 污水处理中预测的国内外研究与应用 | 第17-18页 |
| 1.4 课题的来源、研究内容及解决的关键问题 | 第18-20页 |
| 1.4.1 课题来源 | 第18页 |
| 1.4.2 主要研究内容 | 第18-19页 |
| 1.4.3 拟解决的关键问题 | 第19-20页 |
| 第二章 污水负荷相关的数据获取和预测方法的选取 | 第20-30页 |
| 2.1 城镇污水组成成分分析 | 第20-21页 |
| 2.2 污水负荷相关变量的选取与数据的获取 | 第21-24页 |
| 2.2.1 污水负荷相关变量的分析与选择 | 第22-23页 |
| 2.2.2 变量数据的获取 | 第23页 |
| 2.2.3 数据的预处理 | 第23-24页 |
| 2.3 预测方法的选取 | 第24-28页 |
| 2.3.1 回归分析法 | 第24-25页 |
| 2.3.2 指数平滑法 | 第25-26页 |
| 2.3.3 灰色预测法 | 第26-28页 |
| 2.3.4 时间序列法 | 第28页 |
| 2.3.5 神经网络模型 | 第28页 |
| 2.3.6 组合预测模型 | 第28页 |
| 2.4 本章小结 | 第28-30页 |
| 第三章 基于时间序列的污水负荷预测模型建立 | 第30-61页 |
| 3.1 单元时间序列的自回归移动平均模型ARMA（p，q）算法 | 第30-36页 |
| 3.1.1 模型时序的随机性检验和平稳性分析 | 第31-33页 |
| 3.1.2 预测模型的识别和参数估计 | 第33-35页 |
| 3.1.3 预测模型的模型检验和评估 | 第35-36页 |
| 3.2 基于ARMA（p，q）模型的污水负荷相关变量模型的建立与分析 | 第36-48页 |
| 3.2.1 进水量、进水COD相关变量的数据分析和预处理 | 第37-39页 |
| 3.2.2 单元时间序列的ARMA模型的初步建立 | 第39-42页 |
| 3.2.3 模型的检验和评估 | 第42-44页 |
| 3.2.4 进水COD和进水COD负荷的预测和分析 | 第44-48页 |
| 3.3 多元时间序列的向量自回归模型VAR（p）算法 | 第48-53页 |
| 3.3.1 模型的结构和格兰杰因果关系[75] | 第49-50页 |
| 3.3.2 模型阶次的选择和参数估计 | 第50-52页 |
| 3.3.3 VAR（p）模型的有效性检验及结果分析 | 第52页 |
| 3.3.4 VAR（p）模型的脉冲响应函数与方差分解 | 第52-53页 |
| 3.4 基于VAR（p）模型的污水COD模型的建立与分析 | 第53-60页 |
| 3.4.1 基于VAR（p）模型的相关变量的格兰杰因果检验 | 第53-55页 |
| 3.4.2 污水负荷预测模型的建立 | 第55-56页 |
| 3.4.3 模型的有效性检验和结果 | 第56-60页 |
| 3.4.4 进水COD不同的预测模型的对比分析 | 第60页 |
| 3.5 本章小结 | 第60-61页 |
| 第四章 基于神经网络的曝气池DO预测模型建立与模型优化 | 第61-84页 |
| 4.1 神经网络和思维进化算法的简介 | 第62-69页 |
| 4.1.1 BP神经网络的介绍 | 第62-65页 |
| 4.1.2 思维进化算法的概述 | 第65-68页 |
| 4.1.3 思维进化算法优化BP神经网络 | 第68-69页 |
| 4.2 基于思维进化算法的曝气池DO预测模型的建立与优化 | 第69-78页 |
| 4.2.1 A2O工艺曝气池DO影响因素的分析与选取 | 第70-72页 |
| 4.2.2 结合模型的数据分析与预处理 | 第72-75页 |
| 4.2.3 神经网络模型的建立与优化 | 第75-78页 |
| 4.3 DO预测模型的优化和模型的确认 | 第78-83页 |
| 4.3.1 不同影响因素对BP网络的优化及分析 | 第79-82页 |
| 4.3.2 优化的DO预测模型的确定 | 第82-83页 |
| 4.4 本章小结 | 第83-84页 |
| 第五章 预测模型的适用性研究 | 第84-91页 |
| 5.1 ARMA模型的适用性 | 第84-87页 |
| 5.1.1 同一环境下ARMA模型的适用性 | 第84-86页 |
| 5.1.2 不同环境下ARMA模型的适用性 | 第86-87页 |
| 5.2 VAR模型和DO预测模型的适用性 | 第87-89页 |
| 5.2.1 VAR模型的适用性验证 | 第87-88页 |
| 5.2.2 DO预测模型的适用性 | 第88-89页 |
| 5.3 本章小结 | 第89-91页 |
| 结论与展望 | 第91-93页 |
| 本文研究工作的总结 | 第91页 |
| 本文主要创新点 | 第91-92页 |
| 今后的工作展望 | 第92-93页 |
| 参考文献 | 第93-99页 |
| 攻读硕士学位期间取得的研究成果 | 第99-101页 |
| 致谢 | 第101-102页 |
| 附件 | 第102页 |
