| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 课题的研究背景和意义 | 第10-11页 |
| 1.2 软测量技术简介 | 第11-12页 |
| 1.3 国内外研究现状 | 第12-15页 |
| 1.3.1 污水处理软测量研究现状 | 第12-14页 |
| 1.3.2 LSSVM改进预测算法研究现状 | 第14-15页 |
| 1.4 研究内容以及章节安排 | 第15-18页 |
| 第二章 工艺介绍及数据采集和预处理 | 第18-26页 |
| 2.1 污水处理简介 | 第18-19页 |
| 2.2 曝气生物滤池 | 第19-22页 |
| 2.2.1 曝气生物滤池简介 | 第19-20页 |
| 2.2.2 曝气生物滤池处理流程 | 第20-22页 |
| 2.2.3 水质参数 | 第22页 |
| 2.3 数据的采集和预处理 | 第22-25页 |
| 2.3.1 数据的采集 | 第22-23页 |
| 2.3.2 数据预处理 | 第23-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第三章 基于LSSVM污水软测量建模研究与应用 | 第26-41页 |
| 3.1 机器学习 | 第26-28页 |
| 3.1.1 机器学习的基本问题 | 第26-27页 |
| 3.1.2 经验风险最小化 | 第27页 |
| 3.1.3 复杂度与泛化能力 | 第27-28页 |
| 3.2 统计学理论 | 第28-31页 |
| 3.2.1 VC维 | 第28-29页 |
| 3.2.2 推广性的界 | 第29页 |
| 3.2.3 结构风险最小化 | 第29-31页 |
| 3.3 支持向量机 | 第31-32页 |
| 3.3.1 最优分类线(面) | 第31页 |
| 3.3.2 最大化分类间隔 | 第31-32页 |
| 3.4 支持向量回归机 | 第32-36页 |
| 3.4.1 线性支持向量回归机 | 第33-35页 |
| 3.4.2 非线性支持向量回归机 | 第35-36页 |
| 3.5 最小二乘支持向量机 | 第36-39页 |
| 3.5.1 最小二乘支持向量回归机 | 第36-38页 |
| 3.5.2 LSSVM和SVM的比较 | 第38-39页 |
| 3.6 基于LSSVM算法的污水处理仿真验证 | 第39-40页 |
| 3.7 本章小结 | 第40-41页 |
| 第四章 基于智能算法优化的混合LSSVM污水软测量建模与研究 | 第41-58页 |
| 4.1 核函数 | 第41-45页 |
| 4.1.1 核函数特点及常用核函数 | 第41-42页 |
| 4.1.2 核函数分类 | 第42-43页 |
| 4.1.3 混合核函数 | 第43-45页 |
| 4.2 基于混合LSSVM模型污水处理仿真验证 | 第45-47页 |
| 4.3 超参数及其类型 | 第47-48页 |
| 4.3.1 误差惩罚因子 | 第47-48页 |
| 4.3.2 核参数 | 第48页 |
| 4.4 参数优化算法 | 第48-54页 |
| 4.4.1 粒子群算法(PSO) | 第49-51页 |
| 4.4.2 遗传算法(GA) | 第51-54页 |
| 4.5 基于智能优化算法的混合LSSVM模型污水处理仿真验证 | 第54-57页 |
| 4.6 本章小结 | 第57-58页 |
| 第五章 LSSVM在线增量预测研究 | 第58-69页 |
| 5.1 增量学习分析 | 第58-60页 |
| 5.1.1 离线模型的缺陷 | 第58-59页 |
| 5.1.2 常见的增量学习算法 | 第59-60页 |
| 5.2 基于LSSVM增量学习及其原理 | 第60-63页 |
| 5.2.1 单增量学习 | 第60-62页 |
| 5.2.2 块增量学习 | 第62-63页 |
| 5.3 基于改进的在线增量LSSVM算法 | 第63-66页 |
| 5.3.1 阈值选择 | 第63-64页 |
| 5.3.2 滑动时间窗的设置 | 第64-66页 |
| 5.4 基于改进的LSSVM在线增量模型污水处理仿真验证 | 第66-68页 |
| 5.5 本章小结 | 第68-69页 |
| 第六章 总结与展望 | 第69-71页 |
| 6.1 论文总结 | 第69页 |
| 6.2 论文展望 | 第69-71页 |
| 参考文献 | 第71-75页 |
| 致谢 | 第75-76页 |
| 附录A 插图清单 | 第76-77页 |
| 附录B 表格清单 | 第77-78页 |
| 附录C 仿真数据 | 第78-81页 |
| 在学研究成果 | 第81页 |
