1. 研究目的与意义
随着科技的不断进步、现代化工业的飞速发展，全球水污染十分严重。
保护水资源已成为当今全球保护环境的主旋律之一。
而废水处理作为解决水污染问题的一个有效措施，是各国环境保护关注的焦点，同时也是全球各行业争相引进的技术[1]。
2. 国内外研究现状分析
基于svm的造纸废水软测量技术的算法具有学习能力强，泛化能力好，对样本的依赖程度低等优点，能较好地跟踪了主导变量的变化趋势，这显示出它在工业领域巨大的应用潜力。
文献[34]针对污水处理过程建模中样本数据可能存在的测量误差对模型性能的影响，提出一种自适应加权最小二乘支持向量机( awls-svm) 回归的软测量建模方法。
该方法基于最小二乘支持向量机模型，根据样本拟合误差，并结合改进的指数分布赋权规则，自适应地为每个建模样本分配不同的权值，以降低随机误差对模型性能的影响; 同时采用一种全局优化算法混沌粒子群模拟退火( cpso-sa) 算法对最小二乘支持向量机的模型参数进行优化选择，以提高模型的泛化能力。
3. 研究的基本内容与计划
本文的主要任务是造纸废水处理过程的先进算法研究，所展开的主要工作包括：(1)简要介绍在基于SVM的造纸废水处理过程软测量建模技术(2)运用已有的造纸废水处理厂实际数据（包含8个变量，170组数据），用基于SVM的智能软测量建模技术通过数据挖掘和自适应等功能实现对非线性模型的精确建模。
(3)在MATLAB中如何使用SVM工具箱以及处理数据。
4. 研究创新点
支持向量机（support vector machine,svm）是vapnik[27]等提出的一类通用有效的机器学习方法，它被广泛地应用于模式识别（分类），函数估计（回归）、时间系列预测等数据挖掘问题，目前已经成为机器学习的研究热点，并在很多领域，如手写数字识别、人脸图像识别、时间序列预测等得到成功的应用。
支持向量机本质上是基于统计学习理论的一种机器学习方法[28]。
由于统计学习理论为系统研究有限样本情况下的机器学习问题提供了坚实的理论基础，svm方法常表现出令人向往的优良特征[29]。
