| 摘要 | 第1-5页 |
| Abstract | 第5-10页 |
| 1 绪论 | 第10-14页 |
| ·研究背景 | 第10页 |
| ·我国水资源现状 | 第10-11页 |
| ·松花江流域自然地理及水文特性 | 第11-12页 |
| ·研究现状及发展趋势 | 第12-13页 |
| ·主要研究内容 | 第13-14页 |
| 2 小波分析在年径流量预测中的应用 | 第14-25页 |
| ·小波分析的理论基础 | 第14-19页 |
| ·小波分析的发展 | 第14页 |
| ·小波基函数 | 第14-17页 |
| ·小波变换 | 第17-18页 |
| ·连续小波变换的性质 | 第18-19页 |
| ·年径流序列的多时间尺度小波分析 | 第19-20页 |
| ·径流序列的多时间尺度演变特性 | 第19页 |
| ·小波变换的计算 | 第19-20页 |
| ·小波变换系数图 | 第20页 |
| ·实例分析 | 第20-24页 |
| ·基本资料及处理 | 第20-22页 |
| ·Mexican Hat小波在年径流量中的应用 | 第22-24页 |
| ·本章小结 | 第24-25页 |
| 3 马尔可夫链在年径流量预测上的应用 | 第25-35页 |
| ·绪论 | 第25-27页 |
| ·随机过程的概念 | 第25-26页 |
| ·马尔可夫链在预测中的应用 | 第26-27页 |
| ·马尔可夫链 | 第27-30页 |
| ·马尔可夫链的定义 | 第27-28页 |
| ·有关马氏链的几个重要结论 | 第28-29页 |
| ·n步转移概率和C-K方程 | 第29-30页 |
| ·加权马尔可夫链预测的方法步骤 | 第30-31页 |
| ·加权马尔可夫链预测的思想 | 第30页 |
| ·加权马尔可夫链预测的方法步骤 | 第30-31页 |
| ·实例分析 | 第31-34页 |
| ·本章小结 | 第34-35页 |
| 4 时间序列分析在年径流量预测中的应用 | 第35-54页 |
| ·绪论 | 第35页 |
| ·介绍模型 | 第35-39页 |
| ·一阶自回归模型 | 第35-36页 |
| ·一般自回归模型 | 第36页 |
| ·移动平均模型 | 第36-37页 |
| ·自回归移动平均模型 | 第37-38页 |
| ·自回归求和滑动平均模型 | 第38-39页 |
| ·模型的建立 | 第39-42页 |
| ·系统稳定性与非稳定性 | 第39页 |
| ·AR(n)模型的自协方差函数和自相关函数及其特征 | 第39-40页 |
| ·ARMA(n，m)模型的自协方差函数和自相关函数及特征 | 第40-41页 |
| ·AR(n)、MA(m)和ARMA(n，m)序列的偏相关函数 | 第41-42页 |
| ·平稳时间序列模型的建立 | 第42-48页 |
| ·模型识别 | 第42-45页 |
| ·模型定阶 | 第45页 |
| ·参数估计 | 第45-47页 |
| ·模型的适应性检验 | 第47-48页 |
| ·时间序列的预测 | 第48-49页 |
| ·平稳时间序列的预测 | 第48-49页 |
| ·非平稳时间序列分析 | 第49页 |
| ·实例分析 | 第49-53页 |
| ·本章小结 | 第53-54页 |
| 5 神经网络在年径流量预测中的应用 | 第54-66页 |
| ·人工神经网络概述 | 第54-55页 |
| ·人工神经网络简介 | 第54-55页 |
| ·神经网络的特点 | 第55页 |
| ·BP网络 | 第55-60页 |
| ·BP网络介绍 | 第55-57页 |
| ·BP学习算法 | 第57-58页 |
| ·BP模型的建立及其应用 | 第58-59页 |
| ·BP网络设计的基本方法 | 第59-60页 |
| ·实例分析 | 第60-64页 |
| ·改进的BP算法 | 第60-61页 |
| ·BP网络学习算法的比较 | 第61-64页 |
| ·本章小结 | 第64-66页 |
| 结论 | 第66-68页 |
| 参考文献 | 第68-71页 |
| 攻读学位期间发表的学术论文 | 第71-72页 |
| 致谢 | 第72-73页 |
