| 摘要 | 第1-6页 |
| ABSTRACT | 第6-9页 |
| 第1章 绪论 | 第9-13页 |
| ·课程背景及意义 | 第9页 |
| ·污水处理系统监测和控制现状 | 第9-10页 |
| ·污水处理过程建模研究现状 | 第10-11页 |
| ·论文主要工作 | 第11-13页 |
| 第2章 污水处理工艺方法及控制 | 第13-25页 |
| ·常见污水处理方法介绍 | 第13-14页 |
| ·污水处理工艺介绍 | 第14-18页 |
| ·常见生物法污水处理工艺介绍 | 第14-17页 |
| ·A~2O污水处理工艺简介 | 第17-18页 |
| ·本文污水来源及水质 | 第18-19页 |
| ·本文污水处理工艺流程 | 第19-20页 |
| ·建模对象及辅助变量的选择 | 第20-24页 |
| ·建模对象的选择 | 第20-21页 |
| ·辅助变量的选择 | 第21-24页 |
| ·本章小结 | 第24-25页 |
| 第3章 基于BP的神经网络建模方法 | 第25-37页 |
| ·人工神经网络概述 | 第25-27页 |
| ·人工神经网络的起源与发展 | 第25-26页 |
| ·人工神经网络在污水处理建模中的应用 | 第26-27页 |
| ·BP神经网络的基本原理 | 第27-29页 |
| ·BP神经网络的基本结构 | 第27页 |
| ·BP算法的步骤 | 第27-28页 |
| ·BP算法的学习规则 | 第28-29页 |
| ·BP算法的局限性 | 第29页 |
| ·基于BP神经网络的生化池出水COD建模 | 第29-33页 |
| ·数据采集和预处理 | 第29-32页 |
| ·网络拓扑结构 | 第32页 |
| ·模型性能参数指标 | 第32-33页 |
| ·仿真结果分析 | 第33页 |
| ·BP模型的改进 | 第33-36页 |
| ·本章小结 | 第36-37页 |
| 第4章 基于LS-SVM的统计建模方法 | 第37-50页 |
| ·支持向量机方法概述 | 第37-44页 |
| ·统计学习理论 | 第37页 |
| ·支持向量机简述 | 第37-44页 |
| ·最小二乘-支持向量机(LS-SVM) | 第44-45页 |
| ·基于LS-SVM的生化池出水COD建模 | 第45-47页 |
| ·模型的建立 | 第45页 |
| ·参数调整对模型的影响 | 第45-47页 |
| ·BP和LS-SVM的对比 | 第47-49页 |
| ·本章小结 | 第49-50页 |
| 第5章 基于模糊C均值聚类的多模型建模方法 | 第50-60页 |
| ·多模型建模方法在建模中的应用 | 第50-52页 |
| ·多模型理论 | 第50-52页 |
| ·多模型的建模方法 | 第52页 |
| ·多模型在污水处理中的可行性分析 | 第52-53页 |
| ·模糊C均值聚类原理 | 第53-56页 |
| ·隶属度函数 | 第54页 |
| ·硬C-均值聚类算法 | 第54-55页 |
| ·模糊C-均值聚类算法 | 第55-56页 |
| ·基于模糊C均值聚类的多模型出水COD的多模型预测模型 | 第56-59页 |
| ·本章小结 | 第59-60页 |
| 第6章 总结与展望 | 第60-62页 |
| ·本文主要工作总结 | 第60页 |
| ·工作展望 | 第60-62页 |
| 参考文献 | 第62-65页 |
| 致谢 | 第65页 |