基于PSO-RBF神经网络的污泥膨胀软测量系统
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 目录 | 第8-10页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 课题背景及研究意义 | 第10-12页 |
| 1.1.1 课题背景 | 第10-11页 |
| 1.1.2 研究意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 污泥膨胀研究现状 | 第12-14页 |
| 1.2.2 神经网络研究现状 | 第14-15页 |
| 1.3 本课题研究内容与论文安排 | 第15-18页 |
| 第2章 污泥容积指数(SVI)软测量模型 | 第18-32页 |
| 2.1 软测量技术 | 第18-23页 |
| 2.1.1 软测量技术概述 | 第18-19页 |
| 2.1.2 辅助变量的选取 | 第19-20页 |
| 2.1.3 数据的采集和预处理 | 第20-22页 |
| 2.1.4 软测量模型的建立 | 第22-23页 |
| 2.1.5 软测量模型在线校正 | 第23页 |
| 2.2 SVI 软测量模型设计 | 第23-31页 |
| 2.2.1 丝状菌污泥膨胀研究机理 | 第23-26页 |
| 2.2.2 SVI 的影响因素 | 第26-28页 |
| 2.2.3 SVI 软测量模型的建立 | 第28-31页 |
| 2.3 本章小结 | 第31-32页 |
| 第3章 PSO-RBF 神经网络 | 第32-48页 |
| 3.1 RBF 神经网络 | 第32-36页 |
| 3.1.1 RBF 神经网络模型 | 第32-33页 |
| 3.1.2 RBF 神经网络结构分析 | 第33-34页 |
| 3.1.3 RBF 神经网络的学习算法 | 第34-36页 |
| 3.2 智能优化算法 | 第36-40页 |
| 3.2.1 智能优化算法基本概念 | 第36页 |
| 3.2.2 智能优化算法现状 | 第36-40页 |
| 3.3 PSO 优化算法 | 第40-46页 |
| 3.3.1 基本思想 | 第40-41页 |
| 3.3.2 数学描述 | 第41-43页 |
| 3.3.3 算法特点 | 第43-44页 |
| 3.3.4 PSO 学习算法的性能评价 | 第44-45页 |
| 3.3.5 PSO 对 RBF 网络参数的优化 | 第45-46页 |
| 3.4 本章小结 | 第46-48页 |
| 第4章 改进 PSO- RBF 神经网络 | 第48-62页 |
| 4.1 PSO 算法的改进 | 第48-49页 |
| 4.1.1 PSO 几种经典的改进算法 | 第48-49页 |
| 4.2 改进 PSO 算法 | 第49-56页 |
| 4.2.1 PSO 算法的改进 | 第50-53页 |
| 4.2.2 改进 PSO 算法的性能分析 | 第53-56页 |
| 4.3 基于 PSO-RBF 的 SVI 软测量 | 第56-60页 |
| 4.3.1 结构设计 | 第56-58页 |
| 4.3.2 仿真结果 | 第58-60页 |
| 4.4 本章小结 | 第60-62页 |
| 第5章 SVI 软测量系统 | 第62-72页 |
| 5.1 需求分析及功能设计 | 第62-66页 |
| 5.1.1 需求分析 | 第62页 |
| 5.1.2 功能设计 | 第62页 |
| 5.1.3 关键技术 | 第62-66页 |
| 5.2 系统的具体实现 | 第66-70页 |
| 5.3 本章小结 | 第70-72页 |
| 结论与展望 | 第72-74页 |
| 参考文献 | 第74-80页 |
| 攻读硕士学位期间取得的学术成果 | 第80-82页 |
| 致谢 | 第82页 |
