泾河流域径流预报模型研究
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第11-23页 |
| 1.1 研究目的和意义 | 第11页 |
| 1.2 国内外研究进展 | 第11-19页 |
| 1.2.1 传统水文预报方法 | 第12-14页 |
| 1.2.2 现代水文预报方法 | 第14-19页 |
| 1.3 目前研究存在的问题 | 第19-20页 |
| 1.4 本文主要研究内容和技术路线 | 第20-21页 |
| 1.4.1 研究的主要内容 | 第20页 |
| 1.4.2 技术路线 | 第20-21页 |
| 1.5 研究区概况及资料 | 第21-23页 |
| 第二章 研究原理和方法 | 第23-33页 |
| 2.1 人工神经网络 | 第23-25页 |
| 2.1.1 BP神经网络模型 | 第23-24页 |
| 2.1.2 BP学习算法 | 第24-25页 |
| 2.2 差分自回归移动平均模型 | 第25-27页 |
| 2.2.1 模型原理 | 第25-26页 |
| 2.2.2 求解ARIMA模型的一般步骤 | 第26-27页 |
| 2.3 支持向量机 | 第27-29页 |
| 2.3.1 支持向量机基本原理 | 第27-28页 |
| 2.3.2 支持向量机回归方法 | 第28-29页 |
| 2.4 广义回归神经网络 | 第29-31页 |
| 2.4.1 网络基本结构 | 第29-30页 |
| 2.4.2 GRNN的理论基础 | 第30-31页 |
| 2.5 小波分析 | 第31-32页 |
| 2.6 模型模拟和预报效果精度评定方法 | 第32-33页 |
| 第三章 基于单项预测方法的月径流预测 | 第33-41页 |
| 3.1 BP神经网络模型 | 第33-34页 |
| 3.1.1 BP网络结构确定 | 第33页 |
| 3.1.2 BP网络预测结果 | 第33-34页 |
| 3.2 支持向量机回归模型 | 第34-36页 |
| 3.2.1 建模步骤 | 第34页 |
| 3.2.2 模型应用 | 第34-36页 |
| 3.3 广义回归神经网络模型 | 第36-37页 |
| 3.4 差分自回归移动平均模型 | 第37-39页 |
| 3.5 单项预测方法精度比较 | 第39-40页 |
| 3.6 本章小结 | 第40-41页 |
| 第四章 基于组合预测方法的日、月径流预测 | 第41-55页 |
| 4.1 小波神经网络模型 | 第41-43页 |
| 4.1.1 模型建立 | 第41-42页 |
| 4.1.2 模型应用 | 第42-43页 |
| 4.2 小波支持向量机回归模型 | 第43-47页 |
| 4.2.1 模型建立 | 第43-44页 |
| 4.2.2 模型应用 | 第44-47页 |
| 4.3 小波广义回归神经网络模型 | 第47-49页 |
| 4.3.1 模型建立 | 第47页 |
| 4.3.2 模型应用 | 第47-49页 |
| 4.4 组合预测方法精度比较 | 第49-50页 |
| 4.5 基于小波支持向量机回归模型的日径流预测 | 第50-53页 |
| 4.5.1 模型建立 | 第50-51页 |
| 4.5.2 模型应用 | 第51-53页 |
| 4.6 本章小结 | 第53-55页 |
| 第五章 结论与展望 | 第55-57页 |
| 5.1 结论 | 第55-56页 |
| 5.2 展望 | 第56-57页 |
| 参考文献 | 第57-61页 |
| 致谢 | 第61-62页 |
| 作者简介 | 第62页 |
