水是人类生活和生产过程中必不可少的重要资源，特别是现代社会水资源遭受环境的破坏越来越严重，而人们对水的需求量更是与日俱增，且对水质要求也越来越高。伴随着人类社会的进步和城市的发展，人们对自来水净化处理技术的研究特别是混凝沉淀过程的研究一直都没有停止。人们通过各种先进技术来提高供水质量和生产自动化水平，降低生产能耗、药耗、提高经济效益。混凝沉淀过程是城市供水处理过程中的一个重要工艺环节，其混凝剂投加的自动控制是实现自来水生产自动化和保障水质品质的重要一环。混凝沉淀过程是一个大时滞的化学和物理反应过程，其反应机理非常复杂，不但与原水浊度、温度、流量、pH值、水中有机物有关，还与水的混合方式、反应池环境、水力条件等反应条件有关。所以混凝沉淀过程是一个多变量、大时滞、多扰动、非线性过程。多年来对混凝沉淀过程以及自动化控制的研究一直是自来水和自动控制行业人们长期以来最为关心和研究的一个热点。　　 对于城市自来水混凝沉淀过程的自动化控制，人们不断地尝试着采用各种的方法进行自动化控制方面的努力。特别是20世纪70年代以后随着自动化技术和电子计算机技术的发展而得到了更加迅猛的发展，使得自来水混凝沉淀过程的自动控制处理技术和理论有了飞跃式现代的发展，产生许多种的智能控制方法。智能控制是自动控制发展的高级阶段，是人工智能、控制论、系统论和信息论等多种学科的高度综合与集成，它主要包括神经网络控制、模糊控制、预测控制和专家系统控制等。　　 本文在分析介绍了混凝沉淀过程的机理以及前人对混凝沉淀过程进行的各种自动控制方法研究基础上，为了更加高效和高精度针对多变量、大时滞、时变的混凝沉淀过程进行自动控制，主要从智能控制策略方面展开了深入研究，主要内容包含有：现场数据采集的滤波及数据归一化预处理方面；神经网络结构与训练算法方面；模糊神经网络结合及控制算法方面；神经网络多步预测自适应控制方面。　　 本文通过系统和深入的研究，获得了以下有一定创新性成果：　　 1．提出和实现了一种神经网络样本数据预处理中数字滤波的新算法，即多限幅滤波加滑动平均滤波复合算法。新的方法采用多种限幅值的方式，有效的去除了粗大误差和非正常数据输出，保存了在一定噪声限幅内的实际采样值，并与滑动平均滤波算法一起实现了样本数据的去伪存真和平滑滤波。本算法直观性强、实用有效，在较好的去除了粗大误差和超标噪声信号的同时，也很好的提高了算法实现的效率。　　 2．改进和实现了一种神经网络样本数据预处理中数字归一化的新算法。改进归一化算法是在无量纲极值法基础上改进而来，此方法根据混凝沉淀过程中河水温度变量对混凝沉淀的影响方式主要是全年范围上的温度值变化，而非这一时期采样时间段的温度变化，故提出了改进的全范围数据归一化处理方法。此归一化方法既有效的显示出在全范围的温度值大小也显示出了温度值的变化趋势。即描述了变量值的大小还描述了变量的变化量趋势，从而能够更加准确的反映此变量对控制过程变化的影响和函数关系，是一种在全数据范围内有效的数字归一化方法。　　 3．提出和实现了变步长θ的改进LMBP算法。本文在分析标准LMBP算法优缺点过程中，知道μ值的动态合理变化量是LMBP算法在梯度下降法和高斯-牛顿法之间快速转换和收敛的重要参数之一。为了进一步加快LMBP算法的收敛速度，同时为了避免μ值变化过程中发生“小步长”情况，而阻碍LMBP算法的收敛速度，提出了变步长θ的改进LMBP算法。仿真研究表明，改进LMBP算法的收敛速度总是优于标准LMBP算法。此算法比标准的LMBP算法的收敛次数平均减少了约70％。　　 4．提出和实现了基于先验知识约束和少量样本数据的Elman动态递归神经网络新的算法。本文通过对混凝沉淀过程机理分析与总结，提出了混凝沉淀过程的二个先验知识约束条件，并在基于Elman动态递归神经网络性能函数中引入了先验知识的约束条件，从而使得能够在用较少数据样本的神经网络训练中获得较为完备的神经网络模型，增强了神经网络模型的有效性和可靠性。本文并对此神经网络的算法进行了全面的推导，并对此方法进行了仿真实验，实验表明了所述方法的正确和有效的。　　 5．提出和实现了一种基于混凝沉淀过程的自适应模糊神经网络控制改进算法。本文在阐述了模糊神经网络系统相融合的理论基础上，根据第二章中所述的影响混凝沉淀过程的主要变量并对这些变量具体的采样数据进行了模糊化分析。文中在论述了传统的自适应模糊神经网络ANFIS算法基础上，为提高模糊神经网络的收敛速度，提出了采用了本文所述的改进LMBP+LES的改进算法，进一步加快了模糊神经网络的收敛速度。仿真数据表明文中所述方法是可行的，控制精度基本满足要求。　　 6．提出和实现了一种针对多变量大时滞系统的神经网络多步预测神经网络自适应控制的新方法。本文根据具体的混凝沉淀多变量大时滞加药系统大时滞、多变量和时变的特点，结合本论文在第三章和第四章所提出改进LMBP算法和基于先验知识的Elman网络算法基础上，提出了针对多变量大时滞系统的神经网络多步预测神经网络自适应控制方法。在此方法中，为了进一步加强了时滞系统对扰动量的动态预测输出能力，在多步预测神经网络模型的输入端，增加扰动量的一阶导数为输入元。在神经网络NNC控制器中并联一个辅助控制器AC组成了复合控制器方式，提高了控制器的抗干扰能力稳定性，加快了对于大扰动量干扰时，神经网络控制器NNC的快速导入和收敛速度。分别采用了基于改进LMBP的神经网络算法和基于先验知识的Elman神经网络算法对神经网络多步预测自适应控制系统中的NNP模型和NNC模型进行了仿真实验。通过仿真研究表明，二者都能够快速的响应和收敛，方法是可行和有效的。