《污水处理过程最佳化控制系统》可供从事水环境保护或自动控制系统的研究人员参考，可作为自动化、环境工程等专业本科生与研究生的教材。

第一章 污水处理过程测量与控制概论
1.1 污水处理的意义
1.2 我国污水处理的现状
1.3 污水处理的方法及工艺
1.3.1 污水处理方法
1.3.2 SBR工艺污水处理系统
1.4 污水处理过程建模现状
1.5 污水处理过程控制现状
1.6 污水处理过程软测量现状
1.7 污水处理系统线上测量与控制存在的问题
1.7.1 流程工业生产过程线上测量存在的问题
1.7.2 污水处理过程线上测量与控制存在的问题
第二章 污水处理出水水质BOD软测量机理建模
2.1 软测量在废水处理中的套用
2.1.1 软测量的概念、意义及发展
2.1.2 污水处理中软测量的必要性
2.1.3 软测量在污水处理中的常用方法简介
2.2 BOD软测量机理模型公式
2.2.1 经典劳伦斯—麦卡蒂公式
2.2.2 劳伦斯—麦卡蒂公式在废水处理中演化形式
2.2.3 泰勒展开BOD软测量机理模型公式
2.3 基于最小二乘法的污水处理BOD软测量线性补偿方法
2.3.1 最小二乘原理
2.3.2 递推最小二乘算法对机理模型的补偿
2.3.3 限定记忆最小二乘算法对机理模型的补偿
2.3.4 基于偏最小二乘的BOD软测量机理模型非线性补偿方法
2.3.5 基于核最小二乘法的污水BOD软测量机理模型补偿算法
2.4 基于神经网路的BOD机理模型的补偿方法
2.4.1 BP神经网路软测量模型设计
2.4.2 基于过程神经网路的BOD软测量模型
第三章 基于PNN的污水处理软测量方法研究
3.1 过程神经元网路（PNN）
3.1.1 过程神经元
3.1.2 过程神经元网路模型
3.2 基于PNN的软测量方法及改进算法
3.2.1 基于函式正交基的PNN学习算法
3.2.2 基于函式正交基展开的PNN改进算法
3.3 基于PNN的污水处理过程软测量
3.3.1 软测量模型变数的选取
3.3.2 软测量结构模型
3.3.3 实验数据及软测量结果
第四章 基于RBF神经网路的水处理过程建模方法
4.1 RBF神经网路
4.1.1 RBF函式及RBF神经元
4.1.2 RBF网路的特点、映射机理
4.1.3 RBF神经网路的学习算法
4.2 水处理最佳化控制数学模型的RBF神经网路建模
4.2.1 污水处理最佳化控制的目标
4.2.2 水处理RBF神经网路模型的训练和测试
第五章 溶解氧的智慧型控制方法
5.1 溶解氧的智慧型控制方法
5.1.1 人工神经网路控制
5.1.2 模糊控制
5.1.3 专家控制
5.1.4 遗传算法
5.2 单变数Do控制
5.2.1 被控对象建模
5.2.2 常规PID的Do控制器设计
5.2.3 基于BP神经网路的自整定PID控制
5.2.4 基于BP神经网路的自整定PID控制原理
5.2.5 基于BP神经网路的自整定PID控制仿真
5.2.6 双模糊控制器设计
5.2.7 模糊PID—Smith控制器设计
5.3 基于模糊理论的多变数Do控制
5.3.1 多变数模糊控制的现状与发展
5.3.2 基于模糊PID—Smith和模糊理论的两级Do控制器的设计
5.3.3 基于双模糊PID—Smith理论的两级Do控制器的设计
第六章 基于智慧型进化算法的最佳化控制方法及实现
6.1 智慧型进化算法概述
6.1.1 经典最佳化算法及其弊端
6.1.2 遗传算法
6.1.3 粒子群算法
6.2 基于粒子群算法的污水处理过程的参数最佳化设计
6.2.1 最佳化算法的选取
6.2.2 粒子群算法的设计流程
6.3 基于粒子群算法的活性污泥法的最佳化设计实现
第七章 污水处理过程的模糊控制技术及实现
7.1 污水处理模糊控制技术
7.1.1 污水处理模糊控制系统基本结构
7.1.2 模糊控制器的设计
7.2 基于预测模型的自适应模糊控制器的设计与仿真
7.2.1 自适应模糊控制器构成
7.2.2 自适应模糊控制系统的仿真
7.2.3 自适应模糊控制器算法及其实现
7.2.4 自适应模糊控制仿真结果及分析
7.3 模糊Smith—PID複合控制方法
7.3.1 SBR常规控制方法分析
7.3.2 模糊Smith—PID控制器设计
第八章 生物流化床及其控制方法
8.1 生物流化床的基本特性
8.1.1 生物流化床工作原理
8.1.2 生物流化床特性
8.1.3 生物流化床研究状况
8.2 智慧型控制方法
8.2.1 自适应控制
8.2.2 模糊控制
8.2.3 神经网路控制
8.2.4 专家控制
8.3 三相生物流化床氨氮废水处理过程数学模型研究
8.3.1 内循环三相生物流化床氨氮废水处理的结构和工作原理
8.3.2 内循环三相生物流化床处理氨氮废水实验
8.3.3 内循环三相生物流化床氨氮废水处理过程主导模型的建立
8.4 基于遗传算法改进的过程神经网路BOD5软测量模型
8.4.1 软测量模型变数的选取
8.4.2 过程神经网路结构的确定
8.4.3 基于遗传算法训练速率寻优的改进算法
8.4.4 过程神经网路BOD5软测量模型的实现
8.4.5 实验分析
8.5 基于遗传算法改进的T—S模糊控制及在生物流化床的套用
8.5.1 T—S模糊控制
8.5.2 分层模糊控制
8.5.3 遗传算法改进T—S模糊自适应控制方法
8.6 基于DRNN网路辨识的自整定PID解耦控制及在生物流化床的套用
8.6.1 PID参数整定方法
8.6.2 基于DRNN辨识的自整定PID解耦控制算法
8.7 生物流化床污水处理监控系统设计与实现
8.7.1 生物流化床污水处理监控系统设计
8.7.2 基于西门子S7—200PLC的下位机程式控制
8.7.3 基于WebAccess和Flash互动製作实现的上位机监控
第九章 污水处理过程的自抗扰控制方法
9.1 自抗扰控制技术
9.1.1 安排过渡过程（TD）
9.1.2 扩张状态观测器（ESO）
9.1.3 非线性误差反馈控制率（NLEFS）
9.2 SBR污水处理的自抗扰控制设计
9.2.1 SBR控制系统特点分析
9.2.2 自抗扰控制系统的设计
9.2.3 参数整定规律分析
9.2.4 SBR污水处理自抗扰控制系统仿真
9.3 生物流化床氨氮废水处理自抗扰控制设计
9.3.1 系统总体框图
9.3.2 系统一阶自抗扰控制器设计
9.3.3 系统二阶自抗扰控制器设计
9.3.4 生物流化床氨氮废水处理的自抗扰控制仿真研究
9.4 生物流化床氨氮废水处理自抗扰控制器的最佳化
9.4.1 控制器最佳化问题
9.4.2 自抗扰控制器参数的最佳化
9.4.3 遗传算法对二阶自抗扰控制器参数的最佳化
9.5 自抗扰控制器的稳定性分析
附录：基于BP神经网路的自整定PID控制程式