| 摘要 | 第8-9页 |
| ABSTRACT | 第9-10页 |
| 第一章 绪论 | 第14-22页 |
| 1.1 研究背景 | 第14-16页 |
| 1.2 研究现状 | 第16-18页 |
| 1.2.1 国内研究现状 | 第16-17页 |
| 1.2.2 国外研究现状 | 第17-18页 |
| 1.3 研究意义 | 第18-19页 |
| 1.4 水质评价常用方法 | 第19-21页 |
| 1.5 研究主要技术及内容 | 第21-22页 |
| 第二章 神经网络简介 | 第22-31页 |
| 2.1 人工神经网络概念及原理 | 第22页 |
| 2.2 人工神经网络的结构 | 第22-28页 |
| 2.2.1 生物学的神经网络 | 第22-24页 |
| 2.2.2 人工神经元 | 第24-26页 |
| 2.2.3 人工神经网络的结构 | 第26-27页 |
| 2.2.4 人工神经网络的学习过程 | 第27-28页 |
| 2.3 人工神经网络在水质评价中的应用 | 第28-31页 |
| 2.3.1 评价标准 | 第28-29页 |
| 2.3.2 水质评价参数的选择 | 第29-30页 |
| 2.3.3 数据来源 | 第30-31页 |
| 第三章 构建BP神经网络水质模型 | 第31-44页 |
| 3.1 网络模型的结构 | 第31-35页 |
| 3.1.1 网络层数及节点数的选取 | 第31页 |
| 3.1.2 网络激活函数的选取 | 第31-32页 |
| 3.1.3 网络的权值选取及调整 | 第32-35页 |
| 3.2 神经网络对水质评价过程 | 第35-40页 |
| 3.2.1 BP网络算法训练过程及仿真结果 | 第35-40页 |
| 3.3 神经网络在水质评价中存在的缺陷 | 第40-41页 |
| 3.4 基本BP算法的改进 | 第41-44页 |
| 第四章 概率神经网络水质模型 | 第44-51页 |
| 4.1 PNN模式识别机理 | 第44-45页 |
| 4.1.1 贝叶斯分类 | 第44页 |
| 4.1.2 Parzen窗 | 第44页 |
| 4.1.3 PNN网络进行水质分类的原理 | 第44-45页 |
| 4.2 PNN水质模型的结构及算法实现 | 第45-49页 |
| 4.3 PNN水质模型仿真 | 第49-50页 |
| 4.4 PNN网络进行水质评价的特点 | 第50-51页 |
| 第五章 遗传算法优化的BP在水质评价中的应用及比较 | 第51-62页 |
| 5.1 遗传算法的特性 | 第51-52页 |
| 5.2 遗传算法的优化 | 第52-53页 |
| 5.2.1 编码方法和策略 | 第52页 |
| 5.2.2 避免遗传算法陷入局部极小 | 第52-53页 |
| 5.3 遗传神经网络水质评价模型的构建 | 第53-58页 |
| 5.3.1 遗传算法的理论依据 | 第53-54页 |
| 5.3.2 遗传算法水质模型要素的参数选择 | 第54-55页 |
| 5.3.3 遗传算法水质模型的拓扑结构 | 第55页 |
| 5.3.4 遗传算法的操作 | 第55-58页 |
| 5.3.5 初始化权重及阈值 | 第58页 |
| 5.4 遗传算法优化最终效果及迭代过程 | 第58-62页 |
| 第六章 结论 | 第62-63页 |
| 参考文献 | 第63-66页 |
| 致谢 | 第66页 |