| 摘要 | 第1-5页 |
| ABSTRACT | 第5-9页 |
| 第一章 绪论 | 第9-22页 |
| ·引言 | 第9-10页 |
| ·课题的研究现状和意义 | 第10-12页 |
| ·课题研究的方法和内容 | 第12-13页 |
| ·水环境质量评价方法的研究 | 第13-17页 |
| ·概述 | 第13页 |
| ·几种不确定性水质评价方法 | 第13-16页 |
| ·评价方法的综合比较和趋势分析 | 第16-17页 |
| ·水环境质量预测方法的研究 | 第17-22页 |
| ·概述 | 第17页 |
| ·几种水质预测方法的研究 | 第17-20页 |
| ·预测方法的综合比较和趋势分析 | 第20-22页 |
| 第二章 人工神经网络及其在水资源上的应用 | 第22-31页 |
| ·引言 | 第22页 |
| ·人工神经网络概述 | 第22-28页 |
| ·人工神经网络的发展过程 | 第23-25页 |
| ·人工神经网络的分类 | 第25-26页 |
| ·人工神经网络的学习算法 | 第26页 |
| ·人工神经网络主要优势 | 第26-27页 |
| ·人工神经网络的应用领域 | 第27-28页 |
| ·人工神经网络在水资源中的应用研究 | 第28-31页 |
| ·水质综合评价 | 第28-29页 |
| ·水质预测 | 第29页 |
| ·湖泊富营养化决策 | 第29页 |
| ·水处理过程中的优化与控制 | 第29-31页 |
| 第三章 神经网络在水质评价上的应用 | 第31-49页 |
| ·概述 | 第31-32页 |
| ·水环境质量评价的人工神经网络模型研究 | 第32-42页 |
| ·水质评价 BP网络模型研究 | 第32-35页 |
| ·BP神经网络简介 | 第32-33页 |
| ·水质评价的BP神经网络模型 | 第33-35页 |
| ·水质评价径向基函数网络模型研究 | 第35-39页 |
| ·径向基函数人工神经网络(RBF-ANN)简介 | 第35-37页 |
| ·水质评价的 RBF-ANN网络模型 | 第37-39页 |
| ·水质评价 Hopfield 网络模型研究 | 第39-41页 |
| ·Hopfield网络模型简介 | 第39页 |
| ·水质评价的 Hopfield网络模型 | 第39-41页 |
| ·几种评价模型的比较分析 | 第41-42页 |
| ·构建水环境质量评价的 BP网络模型 | 第42-46页 |
| ·水环境质量评价模型结构 | 第42-43页 |
| ·预处理输入模式 | 第43-44页 |
| ·输出介绍 | 第44页 |
| ·算法及改进 | 第44-46页 |
| ·水环境质量评价的 BP网络模型实现和应用 | 第46-48页 |
| ·程序实现 | 第46-47页 |
| ·学习过程 | 第47页 |
| ·应用实例 | 第47-48页 |
| ·总结 | 第48-49页 |
| 第四章 神经网络在水质预测上的应用 | 第49-65页 |
| ·概述 | 第49页 |
| ·水环境质量预测的人工神经网络模型研究 | 第49-54页 |
| ·改进的 BP网络算法水质预测模型 | 第49-51页 |
| ·Levenberg-Marguardt优化算法(简称 L-M优化算法)水质预测模型 | 第51-53页 |
| ·RBF网络算法水质预测模型 | 第53-54页 |
| ·几种预测算法模型的比较分析 | 第54页 |
| ·构建水质预测的 LEVENBERG-MARQUARDT 优化算法模型 | 第54-60页 |
| ·时间序列建模方法 | 第54-55页 |
| ·预测模型算法 | 第55-56页 |
| ·水质预测 L-M优化算法模型网络结构的确定 | 第56-57页 |
| ·样本选取及网络训练方法 | 第57-60页 |
| ·样本分析及数据预处理 | 第57-60页 |
| ·交互检验训练法 | 第60页 |
| ·预测结果与讨论 | 第60-65页 |
| 第五章 结论与展望 | 第65-67页 |
| ·结论 | 第65-66页 |
| ·关于人工神经网络在水质评价上应用研究的结论 | 第65页 |
| ·关于人工神经网络在水质预测上应用研究的结论 | 第65-66页 |
| ·展望 | 第66-67页 |
| 参考文献 | 第67-71页 |
| 攻读学位期间发表的论文 | 第71页 |
| 致谢 | 第71页 |