| 摘要 | 第5-7页 |
| Abstract | 第7-9页 |
| 第一章 绪论 | 第13-26页 |
| 1.1 研究背景与意义 | 第13-16页 |
| 1.2 常用污水处理工艺介绍 | 第16页 |
| 1.3 面向污水处理的软测量建模方法综述 | 第16-21页 |
| 1.3.1 基于机理的建模方法 | 第17页 |
| 1.3.2 基于数据驱动的建模方法 | 第17-21页 |
| 1.4 面向污水处理的软测量建模方法探讨 | 第21-23页 |
| 1.5 本文主要工作 | 第23-26页 |
| 第二章 常用数据驱动建模方法的对比与分析 | 第26-37页 |
| 2.1 引言 | 第26-27页 |
| 2.2 常用数据驱动软测量建模方法介绍 | 第27-31页 |
| 2.2.1 偏最小二乘回归 | 第27-28页 |
| 2.2.2 BP神经网络 | 第28-29页 |
| 2.2.3 径向基函数网络 | 第29-30页 |
| 2.2.4 支持向量机回归 | 第30-31页 |
| 2.3 测试与分析 | 第31-36页 |
| 2.3.1 背景介绍 | 第31-32页 |
| 2.3.2 数据预处理 | 第32-33页 |
| 2.3.3 测试结果 | 第33-35页 |
| 2.3.4 讨论 | 第35-36页 |
| 2.4 本章小结 | 第36-37页 |
| 第三章 基于深层神经网络软测量建模的研究 | 第37-63页 |
| 3.1 引言 | 第37-39页 |
| 3.2 自编码网络 | 第39-40页 |
| 3.3 自编码网络的训练 | 第40-43页 |
| 3.4 栈式自编码神经网络 | 第43-44页 |
| 3.5 基于栈式自编码软测量模型的建立 | 第44-50页 |
| 3.5.1 栈式自编码结构的调整 | 第44-47页 |
| 3.5.2 逐层贪婪训练算法 | 第47页 |
| 3.5.3 软测量模型的建立 | 第47-48页 |
| 3.5.4 遗传算法搜寻策略 | 第48-50页 |
| 3.6 案例研究 | 第50-62页 |
| 3.6.1 基准仿真模型(BSM1) | 第51-59页 |
| 3.6.2 实际污水处理厂 | 第59-62页 |
| 3.7 本章小结 | 第62-63页 |
| 第四章 基于深层神经网络多输出自适应软测量建模的研究 | 第63-82页 |
| 4.1 引言 | 第63-65页 |
| 4.2 基本理论简介 | 第65-66页 |
| 4.2.1 多输出回归 | 第65页 |
| 4.2.2 栈式自编码 | 第65-66页 |
| 4.3 多输出自适应软测量的实现 | 第66-69页 |
| 4.3.1 时差建模方法 | 第67-68页 |
| 4.3.2 VIP变量选择 | 第68-69页 |
| 4.4 实例研究 | 第69-80页 |
| 4.4.1 数据预处理 | 第70-71页 |
| 4.4.2 测试结果 | 第71-80页 |
| 4.5 本章小结 | 第80-82页 |
| 第五章 基于多步预测软测量建模及其在污泥膨胀的应用 | 第82-95页 |
| 5.1 引言 | 第82-84页 |
| 5.2 基础知识 | 第84页 |
| 5.2.1 间接多步预测 | 第84页 |
| 5.2.2 软测量的数学描述 | 第84页 |
| 5.3 多步预测软测量模型的建立 | 第84-88页 |
| 5.3.1 数据预处理 | 第85-86页 |
| 5.3.2 模型的建立 | 第86-88页 |
| 5.4 实例研究 | 第88-94页 |
| 5.4.1 预测目标简介 | 第88页 |
| 5.4.2 数据预处理和参数预定义 | 第88-89页 |
| 5.4.3 结果和讨论 | 第89-94页 |
| 5.5 本章小结 | 第94-95页 |
| 结论和展望 | 第95-98页 |
| 参考文献 | 第98-108页 |
| 攻读博士学位期间取得的研究成果 | 第108-109页 |
| 致谢 | 第109-110页 |
| 附件 | 第110页 |