摘要 | 第5-7页 |
Abstract | 第7-8页 |
第1章 绪论 | 第15-31页 |
1.1 课题的研究背景及研究意义 | 第15-17页 |
1.1.1 研究背景 | 第15-16页 |
1.1.2 研究意义 | 第16-17页 |
1.1.3 课题来源 | 第17页 |
1.2 国内外研究现状 | 第17-28页 |
1.2.1 多模块神经网络研究现状 | 第18-20页 |
1.2.2 神经网络结构设计方法研究现状 | 第20-23页 |
1.2.3 污水处理过程建模研究现状 | 第23-28页 |
1.3 论文的主要研究内容及创新点 | 第28-29页 |
1.4 论文的主要架构 | 第29-31页 |
第2章 多模块神经网络 | 第31-43页 |
2.1 引言 | 第31页 |
2.2 多模块神经网络简介 | 第31-33页 |
2.2.1 多模块神经网络概念 | 第32-33页 |
2.2.2 多模块神经网络特点 | 第33页 |
2.3 多模块神经网络的架构 | 第33-35页 |
2.4 多模块神经网络的性能分析 | 第35-40页 |
2.4.1 实验描述 | 第35-36页 |
2.4.2 仿真结果与实验分析 | 第36-40页 |
2.5 本章小结 | 第40-43页 |
第3章 基于信息传递的子网络结构设计方法 | 第43-63页 |
3.1 引言 | 第43页 |
3.2 RBF神经网络 | 第43-45页 |
3.3 自组织RBF神经网络结构设计 | 第45-53页 |
3.3.1 神经元尖峰模型分析 | 第45页 |
3.3.2 基于尖峰模型的自组织机制 | 第45-47页 |
3.3.3 SSORBF结构设计及参数学习方法 | 第47-48页 |
3.3.4 仿真实验及结果分析 | 第48-53页 |
3.4 自组织递归RBF神经网络结构设计方法 | 第53-61页 |
3.4.1 SR-RBF结构设计方法 | 第53-55页 |
3.4.2 参数学习算法 | 第55-57页 |
3.4.3 仿真实验与结果分析 | 第57-61页 |
3.5 本章小结 | 第61-63页 |
第4章 多模块神经网络子网络动态集成方法 | 第63-85页 |
4.1 引言 | 第63页 |
4.2 多模块神经网络集成存在的问题 | 第63-65页 |
4.2.1 多模块神经网络集成问题描述 | 第63-64页 |
4.2.2 常见动态集成方法 | 第64-65页 |
4.3 PSO-DMNN网络结构设计 | 第65-76页 |
4.3.1 多模块神经网络结构 | 第65-67页 |
4.3.2 聚类中心参数调整算法 | 第67-68页 |
4.3.3 基于PSO算法的多模块神经网络子网络集成方法 | 第68-71页 |
4.3.4 仿真实验与结果分析 | 第71-76页 |
4.4 基于自适应粒子群算法的多模块神经网络动态集成算法 | 第76-83页 |
4.4.1 改进粒子群算法 | 第76-78页 |
4.4.2 自适应粒子群算法 | 第78-79页 |
4.4.3 APSO-DMNN网络算法实现 | 第79页 |
4.4.4 仿真实验与结果分析 | 第79-83页 |
4.5 本章小结 | 第83-85页 |
第5章 基于多模块神经网络的污水处理关键水质参数软测量研究及技术实现 | 第85-109页 |
5.1 引言 | 第85页 |
5.2 污水处理工艺 | 第85-87页 |
5.3 污水处理过程模型分析 | 第87-90页 |
5.4 基于多模块神经网络的污水处理多模块在线软测量方法 | 第90-93页 |
5.4.1 实验设计 | 第91页 |
5.4.2 仿真结果与分析 | 第91-93页 |
5.5 污水处理总磷智能检测系统设计及实现 | 第93-106页 |
5.5.1 实验数据分析 | 第94-95页 |
5.5.2 污水处理智能检测平台的搭建 | 第95-106页 |
5.6 本章小结 | 第106-109页 |
总结与展望 | 第109-111页 |
参考文献 | 第111-123页 |
攻读博士学位期间的成果 | 第123-124页 |
攻读博士学位期间参与的科研项目 | 第124页 |
攻读博士期间申请的校级科研项目及所获荣誉 | 第124页 |
攻读博士期间参加的学术会议 | 第124-125页 |
致谢 | 第125-126页 |