1.1研究背景及意义
随着科学技术的不断进步与发展，现代化工业呈现出规模不断扩大的趋势，由此导致的环境污染也日益严重。因此，对于环境的保护自然成为了当今发展的主要任务，对于水污染的治理尤为重要。而废水处理作为一种极为有效的治理措施，对于水污染的治理可以起到至关重要的作用。我国是一个造纸大国，造纸废水在工业废水中占有一定的比例。同时，造纸行业对于水资源的消耗极高。因此，解决好造纸废水的处理问题可以极大减轻水污染的治理负担。
当前对于造纸废水的处理一般采用物理方法或者生化方法，其过程具有复杂性、非线性、时变性、不确定性等特点，难以用精确的数学模型描述实际过程。当前为实现过程控制中实现最优控制，取得最佳控制结果，通常采用软测量的方法来解决某些难以测量或者当前无法进行测量的变量的测量问题。软测量的基本思想就是通过将自动控制理论与生产过程的相关知识进行结合，利用计算机将难以测量或者无法测量的变量，通过选择一些较为容易的测量利用一定的数学关系来进行预估[1，2]。
软测量技术中软测量模型的建立是核心任务。软测量模型建立的方法主要有两种：一种是基于过程反应机理的机理建模，该方法通过分析反应过程的机理，利用物理、化学的方法分析反应的规律，从而建立相对应的模型。但是在实际生产过程中，生产对象的反应机理通常较为复杂，而且随着生产的环境发生改变往往会发生变化，使得机理建模的预测效果不能符合要求。另一种是数据驱动建模，通过对输入输出的数据利用数据分析得到相应的模型。这种方法的主要优势就是不需要对反应对象的反应机理进行研究，只需要通过大量数据的采集便可以得到预测效果良好的数学模型[2]。
1.2数据驱动建模方法概述
数据驱动建模的方法主要应用于对象内部的结果以及相关反应机理难以分析或者无法进行分析的情况。早期的数据驱动建模通常采用线性回归的方法建立相应的数学模型。但是由于控制对象往往具有较强的非线性，于是数据驱动模型开始转向非线性建模方向发展。随着科学技术的不断进步，当前对于数据驱动建模的方法多种多样。常规的模型主要有偏最小二乘回归建模（Partial Least Squares，PLS）、多元线性回归建模（Multiple Linear Regression，MLR）、主元回归建模（Principle Component Regression，PCR）、基于人工神经网络的软测量建模（Artificial Neural Network，ANN）、基于支持向量回归的软测量建模（Support Vector Regression，SVR）等[1，2]。下文将针对PLS、PCR、MLR、ANN进行主要介绍。
1.2.1基于PLS的软测量建模
偏最小二乘回归（PLS）最早在1983年由伍德（S. Wold）和阿巴诺（C. Albano）等人首次提出，近十几年来在理论、方法上取得了不断发展，并开始应用于诸多领域。偏最小二乘回归是一种多因变量对多自变量的回归建模方法，它可以实现多种分析方法的综合应用[3，4]。偏最小二乘回归可以集多元线性回归分析、典型相关分析和主成分分析的基本功能为一体,将建模预测类型的数据分析方法与非模型式的数据认识性分析方法有机地结合起来[5，7]，即：
偏最小二乘回归asymp;多元线性回归分析 典型相关分析 主成分分析
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
