| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第8-15页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-13页 |
| 1.2.1 径流预报方法 | 第9-12页 |
| 1.2.2 萤火虫算法 | 第12-13页 |
| 1.3 本文主要内容 | 第13-15页 |
| 第2章 相关理论基础 | 第15-19页 |
| 2.1 支持向量回归 | 第15-16页 |
| 2.2 标准萤火虫算法 | 第16-18页 |
| 2.2.1 标准萤火虫算法原理 | 第16-17页 |
| 2.2.2 算法流程 | 第17-18页 |
| 2.3 本章小结 | 第18-19页 |
| 第3章 最优粒子引导的单维深度学习萤火虫算法 | 第19-26页 |
| 3.1 最优粒子引导的单维深度学习萤火虫算法 | 第19-21页 |
| 3.1.1 最优粒子单维深度学习 | 第19-20页 |
| 3.1.2 算法流程 | 第20-21页 |
| 3.2 实验仿真 | 第21-25页 |
| 3.2.1 基准函数测试 | 第21-22页 |
| 3.2.2 比较算法 | 第22页 |
| 3.2.3 实验参数设置 | 第22页 |
| 3.2.4 实验结果与分析 | 第22-25页 |
| 3.3 本章小结 | 第25-26页 |
| 第4章 广义中心粒子引导的萤火虫算法 | 第26-35页 |
| 4.1 广义中心粒子引导的萤火虫算法 | 第26-34页 |
| 4.1.1 广义中心粒子 | 第26-27页 |
| 4.1.2 广义中心粒子引导策略 | 第27页 |
| 4.1.3 算法流程 | 第27-28页 |
| 4.1.4 实验结果与分析 | 第28-34页 |
| 4.2 本章小结 | 第34-35页 |
| 第5章 深度学习萤火虫算法 | 第35-43页 |
| 5.1 深度学习萤火虫算法 | 第35-36页 |
| 5.1.1 随机吸引模型 | 第35页 |
| 5.1.2 广义中心粒子单维深度学习 | 第35-36页 |
| 5.1.3 算法流程 | 第36页 |
| 5.2 实验仿真 | 第36-42页 |
| 5.2.1 实验参数设置 | 第36页 |
| 5.2.2 深度学习次数分析 | 第36-37页 |
| 5.2.3 实验结果与分析 | 第37-40页 |
| 5.2.4 策略分析 | 第40-42页 |
| 5.3 本章小结 | 第42-43页 |
| 第6章 基于萤火虫算法和支持向量回归的中长期径流预报 | 第43-52页 |
| 6.1 SVR径流预报模型的构建 | 第43-44页 |
| 6.1.1 SVR核函数的选择 | 第43页 |
| 6.1.2 萤火虫算法与SVR预报模型的融合 | 第43-44页 |
| 6.2 SVR径流预报模型的应用 | 第44-51页 |
| 6.2.1 数据来源及预报因子的确定 | 第44页 |
| 6.2.2 训练和测试样本的选择 | 第44-45页 |
| 6.2.3 数据的归一化 | 第45页 |
| 6.2.4 预报模型的构建和训练 | 第45-46页 |
| 6.2.5 预报模型的应用 | 第46页 |
| 6.2.6 实验结果与分析 | 第46-51页 |
| 6.3 本章小结 | 第51-52页 |
| 第7章 总结与展望 | 第52-54页 |
| 7.1 总结 | 第52-53页 |
| 7.2 展望 | 第53-54页 |
| 参考文献 | 第54-60页 |
| 致谢 | 第60-61页 |
| 在学期间学术论文与研究成果 | 第61-62页 |
| 1 科研论文 | 第61页 |
| 2 研究项目 | 第61-62页 |
| 3 实用新型专利 | 第62页 |
| 4 获奖 | 第62页 |