| 摘要 | 第1-8页 |
| ABSTRACT | 第8-15页 |
| 第一章 绪论 | 第15-25页 |
| ·课题的研究意义 | 第15-16页 |
| ·自动控制技术在废水处理中的应用现状及进展 | 第16-22页 |
| ·废水处理神经网络控制 | 第16-18页 |
| ·废水处理模糊控制 | 第18-19页 |
| ·废水处理专家系统控制 | 第19-20页 |
| ·废水处理综合控制系统控制 | 第20-21页 |
| ·废水处理智能控制的发展前景 | 第21-22页 |
| ·课题背景及来源 | 第22页 |
| ·本论文的研究内容和技术路线 | 第22-25页 |
| ·本论文的研究内容 | 第22-24页 |
| ·本论文的技术路线 | 第24-25页 |
| 第二章 废水处理智能控制系统的设计 | 第25-49页 |
| ·废纸造纸废水处理简介 | 第25-27页 |
| ·废纸造纸废水处理工艺 | 第25-26页 |
| ·废纸造纸废水处理的特征 | 第26-27页 |
| ·废水处理智能控制研究体系 | 第27-29页 |
| ·研究体系框架 | 第27页 |
| ·废水处理的控制方案 | 第27-29页 |
| ·搭建造纸废水处理自动控制系统 | 第29-47页 |
| ·实验室造纸废水处理自动控制系统 | 第29-31页 |
| ·系统设备配置 | 第31-35页 |
| ·系统软件 | 第35-46页 |
| ·项目示范工程 | 第46-47页 |
| ·本章小结 | 第47-49页 |
| 第三章 基于PCA-ANFIS的废水水质软测量研究 | 第49-77页 |
| ·软测量技术的数学描述 | 第49页 |
| ·污水处理过程软测量模型的设计 | 第49-53页 |
| ·初步确定辅助变量 | 第50-51页 |
| ·现场数据采集与数据预处理 | 第51-52页 |
| ·辅助变量的精选 | 第52页 |
| ·建立软测量模型 | 第52-53页 |
| ·离线训练模型 | 第53页 |
| ·模型的在线校正 | 第53页 |
| ·废水软测量智能算法 | 第53-59页 |
| ·BP网络的基本结构与学习规则 | 第53-55页 |
| ·自组织模糊神经网络结构和算法 | 第55-58页 |
| ·主元分析法（PCA） | 第58-59页 |
| ·出水COD 的软测量 | 第59-72页 |
| ·数据来源与数据预处理 | 第59-60页 |
| ·基于BP网络的软测量模型 | 第60-67页 |
| ·基于ANFIS网络的软测量模型 | 第67-71页 |
| ·实验模型比较 | 第71-72页 |
| ·出水SS的软测量 | 第72-76页 |
| ·数据来源与数据预处理 | 第72页 |
| ·仿真结果与分析 | 第72-76页 |
| ·本章小结 | 第76-77页 |
| 第四章 基于聚类算法的混凝投药T-S模糊神经网络模型 | 第77-102页 |
| ·混凝投药预测控制系统的设计 | 第77-82页 |
| ·模糊神经网络模型结构 | 第78-80页 |
| ·网络结构辨识 | 第80-82页 |
| ·网络参数学习算法 | 第82页 |
| ·废水处理混凝投药预测模型 | 第82-95页 |
| ·预测数学模型 | 第82页 |
| ·训练样本数据的获取 | 第82-84页 |
| ·样本数据分析与处理 | 第84-88页 |
| ·预测模型的结构辨识 | 第88-90页 |
| ·预测模型的参数辨识及仿真 | 第90-95页 |
| ·废水处理混凝投药控制模型 | 第95-98页 |
| ·混凝投药控制数学模型 | 第95页 |
| ·控制模型的结构辨识 | 第95-96页 |
| ·控制模型的参数辨识 | 第96-98页 |
| ·控制效果分析 | 第98-100页 |
| ·本章小结 | 第100-102页 |
| 第五章 基于两级模糊神经网络的溶解氧混合控制系统 | 第102-124页 |
| ·控制系统分析 | 第102-105页 |
| ·确定控制变量及数学模型分析 | 第102-103页 |
| ·溶解氧控制方案 | 第103-105页 |
| ·模糊及模糊PID控制器 | 第105-111页 |
| ·模糊控制器的设计 | 第105-108页 |
| ·模糊PID复合控制器的设计 | 第108-109页 |
| ·模糊及模糊PID控制仿真结果 | 第109-111页 |
| ·溶解氧的模糊神经网络控制 | 第111-122页 |
| ·溶解氧的模糊神经网络反馈控制器 | 第111-116页 |
| ·溶解氧的模糊神经网络前馈控制器 | 第116-122页 |
| ·应用效果分析 | 第122-123页 |
| ·本章小结 | 第123-124页 |
| 第六章 基于参数优化的动态模糊神经网络回流比模型 | 第124-138页 |
| ·控制量的确定 | 第124页 |
| ·回流比控制方案 | 第124-125页 |
| ·最优设定值的确定 | 第125-126页 |
| ·缺氧池末端硝态氮预测模型 | 第126-132页 |
| ·硝态氮预测数学模型 | 第126-127页 |
| ·样本数据的获取及预处理 | 第127页 |
| ·预测模型的结构辨识 | 第127-128页 |
| ·预测模型的参数辨识及仿真 | 第128-132页 |
| ·混合液回流比控制模型 | 第132-136页 |
| ·回流比控制数学模型 | 第132-133页 |
| ·回流比控制模型的结构辨识 | 第133-134页 |
| ·回流比控制模型的参数辨识 | 第134-136页 |
| ·控制效果分析 | 第136-137页 |
| ·本章小结 | 第137-138页 |
| 第七章 基于BP神经网络和遗传算法的邻苯二甲酸二丁酯降解预测模型 | 第138-162页 |
| ·实验材料与方法 | 第138-139页 |
| ·试验工艺条件 | 第138页 |
| ·试验材料与仪器 | 第138-139页 |
| ·分析方法 | 第139页 |
| ·造纸废水有机物分析及选择 | 第139-140页 |
| ·DnBP 对在 AAO 系统中迁移转化的研究 | 第140-147页 |
| ·HRT对邻苯二甲酸二甲酯去除的影响分析 | 第140-144页 |
| ·SRT对邻苯二甲酸二甲酯去除的影响分析 | 第144-147页 |
| ·最佳工艺条件的确定 | 第147页 |
| ·DnBP 去除机理分析与模型研究 | 第147-151页 |
| ·DnBP去除理论概述 | 第147-149页 |
| ·DnBP降解动力学模型 | 第149-151页 |
| ·基于 GA-BP 神经网络的出水 DnBP 预测模型 | 第151-160页 |
| ·遗传算法概述 | 第151-152页 |
| ·遗传算法在神经网络中的应用 | 第152-153页 |
| ·基于GA-BP神经网络的DnBP预测模型实现 | 第153-160页 |
| ·实验模型比较 | 第160页 |
| ·本章小结 | 第160-162页 |
| 结论与建议 | 第162-165页 |
| 参考文献 | 第165-174页 |
| 附录 | 第174-181页 |
| 攻读博士学位期间取得的研究成果 | 第181-183页 |
| 致谢 | 第183页 |
