论文目录 | |
摘要 | 第1-7页 |
Abstract | 第7-15页 |
第一章 绪论 | 第15-27页 |
1.1 研究背景与意义 | 第15-16页 |
1.2 活性污泥法污水生化处理系统 | 第16-18页 |
1.3 污水生化处理系统的主要研究问题及现状 | 第18-20页 |
1.3.1 污水生化处理系统的出水水质预测问题 | 第18-19页 |
1.3.2 污水生化处理系统的优化控制问题 | 第19页 |
1.3.3 污水生化处理系统的控制策略问题 | 第19-20页 |
1.4 智能优化及控制方法 | 第20-24页 |
1.4.1 差分进化算法 | 第20-21页 |
1.4.2 粒子群优化算法 | 第21-23页 |
1.4.3 神经网络控制方法 | 第23-24页 |
1.5 本文的主要工作 | 第24-27页 |
第二章 基于改进极限学习机的污水处理过程关键出水水质预测 | 第27-41页 |
2.1 引言 | 第27-28页 |
2.2 差分粒子群混合优化算法(DEPSO) | 第28-34页 |
2.2.1 DEPSO算法的提出 | 第28-30页 |
2.2.2 仿真与分析 | 第30-34页 |
2.3 改进极限学习机 | 第34-37页 |
2.3.1 基本极限学习机(ELM) | 第34-35页 |
2.3.2 改进极限学习机的提出及性能测试 | 第35-37页 |
2.4 基于改进极限学习机的关键出水水质预测仿真与分析 | 第37-38页 |
2.5 本章小结 | 第38-41页 |
第三章 基于改进差分进化算法的污水处理过程设定值优化 | 第41-54页 |
3.1 引言 | 第41-42页 |
3.2 污水生化处理过程的设定值优化问题 | 第42-44页 |
3.3 一种改进的差分进化算法(IDE) | 第44-47页 |
3.3.1 IDE算法的提出 | 第45-46页 |
3.3.2 仿真与分析 | 第46-47页 |
3.4 基于IDE算法的优化控制仿真与分析 | 第47-53页 |
3.5 本章小结 | 第53-54页 |
第四章 基于自适应差分进化算法的污水处理过程多目标优化 | 第54-66页 |
4.1 引言 | 第54-55页 |
4.2 污水生化处理过程的多目标优化问题 | 第55-57页 |
4.3 自适应差分进化算法(AOLDE) | 第57-62页 |
4.3.1 AOLDE算法的提出 | 第57-59页 |
4.3.2 仿真与分析 | 第59-62页 |
4.4 基于AOLDE算法的污水处理过程多目标优化仿真与分析 | 第62-65页 |
4.5 本章小结 | 第65-66页 |
第五章 基于神经网络的溶解氧浓度控制研究 | 第66-74页 |
5.1 引言 | 第66-67页 |
5.2 溶解氧浓度控制器设计 | 第67-69页 |
5.2.1 单神经元自适应PID溶解氧浓度控制器 | 第67-68页 |
5.2.2 基于RBF神经网络的溶解氧浓度控制器 | 第68-69页 |
5.3 仿真与分析 | 第69-72页 |
5.3.1 神经网络训练与控制性能关系仿真分析 | 第70-71页 |
5.3.2 几种控制器对比仿真与分析 | 第71-72页 |
5.4 本章小结 | 第72-74页 |
第六章 基于自适应神经网络的溶解氧浓度控制研究 | 第74-90页 |
6.1 引言 | 第74-75页 |
6.2 问题描述与预备 | 第75-79页 |
6.2.1 活性污泥动态模型 | 第75-78页 |
6.2.2 控制目标 | 第78页 |
6.2.3 RBF神经网络 | 第78-79页 |
6.3 自适应神经网络控制器设计 | 第79-83页 |
6.3.1 理想非线性反馈控制器 | 第79页 |
6.3.2 自适应神经网络控制器 | 第79-83页 |
6.4 仿真与分析 | 第83-89页 |
6.5 本章小结 | 第89-90页 |
第七章 基于扰动观测器自适应神经网络的溶解氧浓度控制研究 | 第90-105页 |
7.1 引言 | 第90-91页 |
7.2 问题描述 | 第91-92页 |
7.3 基于扰动观测器的自适应神经网络控制器设计 | 第92-98页 |
7.3.1 理想反馈控制器 | 第93-94页 |
7.3.2 基于扰动观测器的自适应神经网络控制 | 第94-98页 |
7.4 仿真与分析 | 第98-104页 |
7.5 本章小结 | 第104-105页 |
结论与展望 | 第105-107页 |
参考文献 | 第107-119页 |
攻读博士学位期间的研究成果 | 第119-121页 |
致谢 | 第121-122页 |
附件 | 第122页 |