基于人工神经网络吉林市地下水水质现状评价及预测研究
| 内容提要 | 第1-8页 |
| 1 绪论 | 第8-18页 |
| ·课题研究的目的及意义 | 第8-9页 |
| ·国内外主要研究方法 | 第9-10页 |
| ·水质现状评价研究方法 | 第9-10页 |
| ·水质预测评价研究方法 | 第10页 |
| ·研究方法的现状及进展 | 第10-14页 |
| ·水质现状评价研究方法的现状及进展 | 第11页 |
| ·水质预测研究方法的现状及进展 | 第11-12页 |
| ·人工神经网络在水质评价及预测方面的运用 | 第12-14页 |
| ·研究内容和方法 | 第14-18页 |
| ·研究内容 | 第14-15页 |
| ·研究方法及技术路线 | 第15-18页 |
| 2 吉林市评价区域概况 | 第18-24页 |
| ·自然地理 | 第18-19页 |
| ·地理位置 | 第18页 |
| ·地形地貌 | 第18-19页 |
| ·气候 | 第19页 |
| ·降水和蒸发 | 第19页 |
| ·人口与社会经济概况 | 第19-20页 |
| ·区域地质特征 | 第20页 |
| ·水文地质条件 | 第20-22页 |
| ·地下水补给、迳流、排泄 | 第22-24页 |
| 3 人工神经网络模型原理 | 第24-41页 |
| ·人工神经网络 | 第24-26页 |
| ·人工神经网络概述 | 第24页 |
| ·人工神经网络发展的回顾 | 第24-25页 |
| ·人工神经网络的应用 | 第25-26页 |
| ·人工神经网络的基本结构 | 第26-29页 |
| ·人工神经元的组成 | 第26-27页 |
| ·人工神经元模型 | 第27-28页 |
| ·典型人工神经网络模型 | 第28-29页 |
| ·反向传播(BP)模型 | 第29-37页 |
| ·BP 模型原理 | 第29-30页 |
| ·BP 模型学习过程 | 第30-31页 |
| ·BP 模型算法推导 | 第31-35页 |
| ·BP 算法的缺点 | 第35页 |
| ·BP 网络的改进 | 第35-37页 |
| ·神经网络插件平台 | 第37-41页 |
| ·使用方法 | 第37-38页 |
| ·创建神经网络 | 第38页 |
| ·网络学习 | 第38-40页 |
| ·预测模拟计算 | 第40页 |
| ·保存和打开网络 | 第40-41页 |
| 4 评价区分区及地下水化学环境特征 | 第41-49页 |
| ·分区原则及成果 | 第41-45页 |
| ·分区原则及方法 | 第41页 |
| ·分区成果 | 第41-45页 |
| ·各分区地下水化学类型 | 第45-49页 |
| ·舒卡列夫分类步骤 | 第45页 |
| ·评价区地下水化学类型 | 第45-49页 |
| 5 区域水质现状评价 | 第49-62页 |
| ·评价法原则 | 第49页 |
| ·综合指数法 | 第49-54页 |
| ·评价方法介绍 | 第49-50页 |
| ·评价结果 | 第50-54页 |
| ·基于人工神经网络的水质评价模型 | 第54-60页 |
| ·参数的确定 | 第54页 |
| ·网络的训练 | 第54-56页 |
| ·网络有效性的验证 | 第56页 |
| ·基于人工神经网络评价区现状水质评价 | 第56-59页 |
| ·两种模型评价结果比较分析 | 第59-60页 |
| ·评价结果 | 第60-62页 |
| 6 评价区水质预测 | 第62-79页 |
| ·指数平滑法 | 第62-72页 |
| ·指数平滑模型 | 第62-63页 |
| ·时间序列的自相关系数计算 | 第63页 |
| ·自动调整平滑系数的确定 | 第63-64页 |
| ·指数平滑模型的检验 | 第64-65页 |
| ·指数平滑模型验证 | 第65-71页 |
| ·平滑指数模型小结 | 第71-72页 |
| ·水质预测BP 神经网络 | 第72-77页 |
| ·参数的确定 | 第72-73页 |
| ·网络的训练 | 第73-76页 |
| ·网络有效性的验证 | 第76-77页 |
| ·BP 预测模型计算结果 | 第77页 |
| ·两种预测模型比较 | 第77-79页 |
| 7 结论 | 第79-81页 |
| ·地下水污染分析 | 第79页 |
| ·地下水资源水质保护建议与措施 | 第79-81页 |
| 参考文献 | 第81-85页 |
| 摘要 | 第85-87页 |
| Abstract | 第87-90页 |
| 致谢 | 第90页 |
