摘要 | 第1-5页 |
ABSTRACT | 第5-9页 |
1 绪论 | 第9-14页 |
1.1 引言 | 第9页 |
1.2 课题来源 | 第9-10页 |
1.3 活性污泥国内外发展现状 | 第10页 |
1.4 污水处理控制系统国内外发展状况 | 第10-11页 |
1.5 基于机理模型控制策略与基于非机理模型控制策略 | 第11-13页 |
1.6 本文研究内容 | 第13-14页 |
2 污水处理系统研究分析 | 第14-20页 |
2.1 活性污泥法基本工作原理 | 第14页 |
2.2 污水处理系统流程及该系统存在的问题 | 第14-16页 |
2.3 控制参数的选定及意义 | 第16-18页 |
2.4 控制系统的选择 | 第18-20页 |
3 RBF神经网络理论基础及算法研究 | 第20-33页 |
3.1 引言 | 第20页 |
3.2 网络类型的选择 | 第20-21页 |
3.3 RBF神经网络的理论基础 | 第21-23页 |
3.3.1 RBF神经网络的结构 | 第21页 |
3.3.2 RBF神经网络的映射关系及映射机理 | 第21-23页 |
3.4 RBF神经网络的学习算法研究 | 第23-32页 |
3.4.1 算法综述 | 第23-24页 |
3.4.2 中心节点的确定的方法 | 第24-25页 |
3.4.3 常见的几种学习方法简介 | 第25-28页 |
3.4.4 动态均值聚类的RBF学习方法和改进的减聚类算法 | 第28-32页 |
3.5 本章小结 | 第32-33页 |
4 基于RBF神经网络的水处理系统模型辨识与建模 | 第33-49页 |
4.1 引言 | 第33页 |
4.2 基于神经网络的系统辨识的基本内容 | 第33-39页 |
4.2.1 系统辨识中的基本问题 | 第33-34页 |
4.2.2 基于神经网络的非线性系统的辨识模型及结构 | 第34-38页 |
4.2.3 基于神经网络的系统辨识的基本思路和步骤 | 第38-39页 |
4.3 基于RBF神经网络的非线性建模 | 第39-42页 |
4.3.1 神经网络与非线性动态系统建模 | 第39-40页 |
4.3.2 基于RBF神经网络的非线性系统建模方法 | 第40-42页 |
4.4 基于RBF神经网络的水处理过程建模 | 第42-48页 |
4.4.1 原始数据的收集与处理 | 第42-44页 |
4.4.2 建模和仿真及结果分析 | 第44-46页 |
4.4.3 仿真及结果分析 | 第46-48页 |
4.5 本章小结 | 第48-49页 |
5 基于RBF神经网络水处理系统过程控制 | 第49-70页 |
5.1 引言 | 第49-50页 |
5.2 神经网络在控制中的应用 | 第50-53页 |
5.3 内模控制结构及原理 | 第53-57页 |
5.3.1 内模控制结构及原理 | 第53-55页 |
5.3.2 内模控制的性质 | 第55-56页 |
5.3.3 稳定控制器的设计 | 第56-57页 |
5.4 基于RBFNN的水处理系统的内模控制 | 第57-69页 |
5.4.1 基于RBF神经网络的非线性内模控制方案 | 第57-58页 |
5.4.2 水处理系统正向模型的建立 | 第58-61页 |
5.4.3 水处理系统内模控制器的建立 | 第61-63页 |
5.4.4 滤波器的设计 | 第63-65页 |
5.4.5 水处理系统内模控制结果 | 第65-66页 |
5.4.6 内模控制系统鲁棒性及抑制干扰能力的研究 | 第66-69页 |
5.5 本章小结 | 第69-70页 |
6 溶解氧内模控制硬件实现方案 | 第70-76页 |
6.1 控制系统设计 | 第70-71页 |
6.2 神经网络内模控制器的总体结构 | 第71页 |
6.3 硬件设计 | 第71-75页 |
6.3.1 微处理器芯片的选用 | 第71-72页 |
6.3.2 传感器的选择 | 第72页 |
6.3.3 电流/电压转换电路 | 第72-73页 |
6.3.4 A/D转换电路 | 第73-74页 |
6.3.5 D/A转换电路 | 第74-75页 |
6.4 本章小结 | 第75-76页 |
结论 | 第76-77页 |
参考文献 | 第77-79页 |
附录A 主要算法程序 | 第79-83页 |
攻读硕士学位期间发表学术论文情况 | 第83-84页 |
致谢 | 第84-85页 |
大连理工大学学位论文版权使用授权书 | 第85页 |