| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第10-20页 |
| 1.1 课题背景及研究意义 | 第10-11页 |
| 1.2 水质预测方法研究现状 | 第11-15页 |
| 1.3 人工神经网络预测方法研究现状 | 第15-18页 |
| 1.3.1 人工神经网络的概念 | 第15-16页 |
| 1.3.2 人工神经网络的发展 | 第16-18页 |
| 1.4 本文研究内容及技术路线 | 第18-20页 |
| 第二章 研究流域环境概况 | 第20-26页 |
| 2.1 地形地貌 | 第20页 |
| 2.2 气候特征 | 第20-21页 |
| 2.3 河流水系 | 第21页 |
| 2.4 人口及其分布 | 第21页 |
| 2.5 流域环境现状 | 第21-23页 |
| 2.6 水环境中的COD | 第23-26页 |
| 2.6.1 COD_(Mn)的来源 | 第24页 |
| 2.6.2 COD_(Mn)的危害 | 第24-26页 |
| 第三章 基于时间序列ARIMA模型的水质预测 | 第26-40页 |
| 3.1 时间序列的基本理论与研究方法 | 第26-29页 |
| 3.1.1 时间序列的概念 | 第26页 |
| 3.1.2 时间序列的特性分析 | 第26-27页 |
| 3.1.3 时间序列的基本理论 | 第27-28页 |
| 3.1.4 时间序列的几种常用模型 | 第28-29页 |
| 3.2 ARIMA（p，d，q）模型的建立过程 | 第29-31页 |
| 3.3 关于水质预测的ARIMA模型应用 | 第31-39页 |
| 3.3.1 模型数据的获取 | 第31-32页 |
| 3.3.2 模型的预处理 | 第32-36页 |
| 3.3.3 模型检验 | 第36-37页 |
| 3.3.4 模型预测 | 第37-39页 |
| 3.4 本章小结 | 第39-40页 |
| 第四章 基于BP神经网络的水质预测 | 第40-60页 |
| 4.1 人工神经网络的结构 | 第40-45页 |
| 4.1.1 人工神经元的结构概况 | 第40-41页 |
| 4.1.2 神经网络的激活函数 | 第41-43页 |
| 4.1.3 神经网络的连接形式 | 第43-45页 |
| 4.2 人工神经网络的学习 | 第45-47页 |
| 4.2.1 人工神经网络的学习过程 | 第45-46页 |
| 4.2.2 神经网络的学习规则 | 第46-47页 |
| 4.3 BP神经网络模型概述 | 第47-48页 |
| 4.4 BP神经网络的算法 | 第48-51页 |
| 4.4.1 BP神经网络算法的优缺点 | 第48页 |
| 4.4.2 BP神经网络算法的主要步骤 | 第48-51页 |
| 4.5 BP神经网络模型数据来源及处理方式 | 第51-53页 |
| 4.5.1 模型数据的选取来源及选取原则 | 第51-52页 |
| 4.5.2 数据归一化 | 第52-53页 |
| 4.6 基于BP神经网络的水质预测 | 第53-57页 |
| 4.6.1 BP神经网络结构的确定 | 第53页 |
| 4.6.2 基于MATLAB的BP神经网络的水质预测仿真 | 第53-57页 |
| 4.7 本章小结 | 第57-60页 |
| 第五章 基于遗传算法优化的BP神经网络水质预测 | 第60-72页 |
| 5.1 遗传算法概述 | 第60-63页 |
| 5.2 遗传算法优化的BP神经网络 | 第63-64页 |
| 5.3 基于遗传算法优化的BP神经网络水质预测 | 第64-71页 |
| 5.4 本章小结 | 第71-72页 |
| 结论和展望 | 第72-74页 |
| 1 结论 | 第72-73页 |
| 2 展望 | 第73-74页 |
| 参考文献 | 第74-80页 |
| 附录 | 第80-84页 |
| 致谢 | 第84页 |