| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-21页 |
| 1.1 研究背景与意义 | 第11-13页 |
| 1.1.1 研究背景 | 第11-12页 |
| 1.1.2 研究意义 | 第12-13页 |
| 1.2 国内外出水氨氮测量技术研究现状 | 第13-16页 |
| 1.3 RBF神经网络研究现状 | 第16-18页 |
| 1.3.1 RBF神经网络结构动态调整方法研究现状 | 第16-17页 |
| 1.3.2 RBF神经网络参数学习算法研究现状 | 第17-18页 |
| 1.4 课题来源 | 第18-19页 |
| 1.5 研究内容及结构安排 | 第19-21页 |
| 第2章 污水出水NH_4~+-N软测量模型辅助变量的选择 | 第21-29页 |
| 2.1 污水处理出水氨氮机理分析 | 第21-24页 |
| 2.1.1 出水氨氮软测量模型辅助变量的选择 | 第21-22页 |
| 2.1.2 基于ASM2模型的出水氨氮机理分析 | 第22-24页 |
| 2.2 出水NH_4~+-N软测量模型辅助变量的确定 | 第24-28页 |
| 2.2.1 数据采集和预处理 | 第24-26页 |
| 2.2.2 辅助变量的降维选择 | 第26-28页 |
| 2.3 本章小结 | 第28-29页 |
| 第3章 基于相对贡献指标的RBF神经网络设计研究 | 第29-55页 |
| 3.1 RBF神经网络 | 第29-30页 |
| 3.2 RBF神经网络参数学习算法的设计 | 第30-40页 |
| 3.2.1 RBF神经网络参数学习算法分析 | 第30-31页 |
| 3.2.2 基于改进自适应二阶LM算法的RBF网络参数设计 | 第31-40页 |
| 3.3 RBF神经网络自组织机制设计 | 第40-46页 |
| 3.3.1 结构动态增长-修剪RBF神经网络 | 第40-41页 |
| 3.3.2 神经网络相对贡献指标分析 | 第41-43页 |
| 3.3.3 神经网络自组织机制设计 | 第43-45页 |
| 3.3.4 RC-RBF神经网络实现流程 | 第45-46页 |
| 3.4 收敛性分析 | 第46-48页 |
| 3.5 实验结果及分析 | 第48-53页 |
| 3.6 本章小结 | 第53-55页 |
| 第4章 基于RC-RBF神经网络的出水NH_4~+-N软测量研究 | 第55-65页 |
| 4.1 出水NH_4~+-N软测量模型的原理 | 第55-56页 |
| 4.2 基于RC-RBF神经网络的出水NH_4~+-N软测量模型结构框架 | 第56-57页 |
| 4.3 RC-RBF神经网络的出水NH_4~+-N软测量模型 | 第57-60页 |
| 4.3.1 出水NH_4~+-N软测量模型的训练与预测 | 第57页 |
| 4.3.2 出水NH_4~+-N软测量模型的校正 | 第57-59页 |
| 4.3.3 出水NH_4~+-N软测量模型评价指标 | 第59-60页 |
| 4.4 出水NH_4~+-N软测量模型仿真预测实验及结果分析 | 第60-63页 |
| 4.5 本章小结 | 第63-65页 |
| 第5章 出水NH_4~+-N软测量智能系统开发 | 第65-79页 |
| 5.1 软件系统需求分析和开发计划 | 第65-67页 |
| 5.1.1 系统的需求分析 | 第65-66页 |
| 5.1.2 系统的开发计划 | 第66-67页 |
| 5.2 软件系统总体方案设计及关键技术 | 第67-69页 |
| 5.2.1 系统总体方案设计 | 第67-68页 |
| 5.2.2 系统关键技术开发 | 第68-69页 |
| 5.3 系统的功能开发 | 第69-77页 |
| 5.3.1 软件系统启动、注册和登录模块 | 第69-72页 |
| 5.3.2 样本数据的导入模块 | 第72页 |
| 5.3.3 氨氮知识模块 | 第72-73页 |
| 5.3.4 系统主界面设计 | 第73-74页 |
| 5.3.5 神经网络模型的选择 | 第74-75页 |
| 5.3.6 RBF神经网络模型训练模块 | 第75-76页 |
| 5.3.7 RBF神经网络模型预测模块 | 第76-77页 |
| 5.4 本章小结 | 第77-79页 |
| 结论与展望 | 第79-81页 |
| 参考文献 | 第81-88页 |
| 攻读硕士学位期间取得的成果 | 第88-89页 |
| 致谢 | 第89页 |
