| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题研究背景及意义 | 第10-12页 |
| 1.1.1水质监测的重要意义 | 第10-11页 |
| 1.1.2 化学需氧量(COD)及其监测意义 | 第11-12页 |
| 1.2 COD测量方法的现状 | 第12-13页 |
| 1.3 紫外-可见光谱COD测量法的国内外研究现状 | 第13-14页 |
| 1.4 课题研究内容及论文结构 | 第14-16页 |
| 1.4.1 课题研究内容 | 第14-15页 |
| 1.4.2 论文结构 | 第15-16页 |
| 第2章 UV-Vis光谱COD测量原理与方法 | 第16-25页 |
| 2.1 UV-Vis光谱测量COD的理论基础 | 第16-19页 |
| 2.1.1 分子对光的选择性吸收 | 第16-17页 |
| 2.1.2 朗伯-比尔定律 | 第17页 |
| 2.1.3 有机物的吸收特性 | 第17-19页 |
| 2.2 UV-Vis光谱COD测量的一般方法 | 第19-20页 |
| 2.3 UV-Vis光谱COD测量法存在的问题 | 第20-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第3章 基于水样类型识别的COD测量方法 | 第25-51页 |
| 3.1 人工神经网络的理论基础 | 第25-32页 |
| 3.1.1 常用人工神经网络算法 | 第25-28页 |
| 3.1.2 BP人工神经网络结构 | 第28-29页 |
| 3.1.3 BP神经网络与水样类型识别 | 第29-32页 |
| 3.2 光谱曲线的形貌特征提取 | 第32-41页 |
| 3.2.1 吸光度曲线的预处理方法 | 第32-36页 |
| 3.2.2 浊度补偿方法 | 第36-39页 |
| 3.2.3 特征参数的提取 | 第39-41页 |
| 3.3 基于单级神经网络的水样类型判别 | 第41-44页 |
| 3.3.1 单级神经网络结构 | 第41-42页 |
| 3.3.2 单级神经网络算法流程 | 第42-44页 |
| 3.4 基于级联神经网络的水样类型判别 | 第44-48页 |
| 3.4.1 级联神经网络算法的意义 | 第44页 |
| 3.4.2 历史识别结果队列 | 第44-46页 |
| 3.4.3 级联神经网络算法流程 | 第46-48页 |
| 3.5 计算模型的构建 | 第48-50页 |
| 3.5.1 计算模型的实现 | 第48页 |
| 3.5.2 计算模型的构建 | 第48-50页 |
| 3.6 本章小结 | 第50-51页 |
| 第4章 UV-Vis光谱法COD测量仪 | 第51-68页 |
| 4.1 COD测量仪硬件结构 | 第51-56页 |
| 4.1.1 硬件整体结构 | 第51-53页 |
| 4.1.2 光路及水路部分 | 第53-55页 |
| 4.1.3 下位机电路板功能及结构 | 第55-56页 |
| 4.2 COD测量仪上位机软件结构 | 第56-67页 |
| 4.2.1 嵌入式系统结构概述 | 第56-58页 |
| 4.2.2 功能模块概述 | 第58-59页 |
| 4.2.3 权限管理模块 | 第59-60页 |
| 4.2.4 参数设置模块 | 第60-62页 |
| 4.2.5 水样建模模块 | 第62-64页 |
| 4.2.6 测量模块 | 第64页 |
| 4.2.7 数据查询模块 | 第64-67页 |
| 4.3 本章小结 | 第67-68页 |
| 第5章 实验研究与结果分析 | 第68-75页 |
| 5.1 实验仪器及样本制备 | 第68页 |
| 5.2 单级神经网络类型识别结果 | 第68-69页 |
| 5.3 级联神经网络类型识别结果 | 第69-72页 |
| 5.3.1 水样稳定时的历史识别因子 | 第70页 |
| 5.3.2 水样切换时的历史识别因子 | 第70-71页 |
| 5.3.3 级联神经网络的判别结果分析 | 第71-72页 |
| 5.4 水样类型识别在COD测量中的应用 | 第72-74页 |
| 5.5 本章小结 | 第74-75页 |
| 第6章 总结与展望 | 第75-78页 |
| 6.1 总结 | 第75-76页 |
| 6.2 改进与展望 | 第76-78页 |
| 参考文献 | 第78-83页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第83页 |