| 摘要 | 第1-4页 |
| Abstract | 第4-14页 |
| 第1章 绪论 | 第14-45页 |
| ·引言 | 第14页 |
| ·研究现状 | 第14-29页 |
| ·随机过程分析方法 | 第14-15页 |
| ·灰色系统分析方法 | 第15页 |
| ·模糊数学分析方法 | 第15-16页 |
| ·投影寻踪分析方法 | 第16-17页 |
| ·人工神经网络分析方法 | 第17-19页 |
| ·分形分析方法 | 第19-20页 |
| ·混沌分析方法 | 第20页 |
| ·小波分析方法 | 第20-22页 |
| ·遗传算法 | 第22页 |
| ·免疫进化算法 | 第22-23页 |
| ·蚁群算法 | 第23-24页 |
| ·粒子群优化算法 | 第24-25页 |
| ·集对分析方法 | 第25-26页 |
| ·粗集分析方法 | 第26-27页 |
| ·非参数统计方法 | 第27-28页 |
| ·支持向量机方法 | 第28-29页 |
| ·发展趋势 | 第29页 |
| ·本论文的选题背景、研究目的及意义 | 第29-30页 |
| ·本论文的主要研究内容及技术路线 | 第30-34页 |
| ·研究内容 | 第30-31页 |
| ·技术路线 | 第31-34页 |
| 参考文献 | 第34-45页 |
| 第2章 支持向量机及其在水科学中的初步应用 | 第45-67页 |
| ·引言 | 第45-46页 |
| ·支持向量机方法概述 | 第46-47页 |
| ·分类支持向量机方法 | 第47-50页 |
| ·最优分类面 | 第47-49页 |
| ·广义最优分类面 | 第49页 |
| ·分类支持向量机 | 第49-50页 |
| ·回归支持向量机方法 | 第50-52页 |
| ·支持向量机的模型选择 | 第52-54页 |
| ·核函数的确定 | 第52-53页 |
| ·参数的选择 | 第53-54页 |
| ·基于 SVC的水电边坡稳定性预测 | 第54-56页 |
| ·概述 | 第54页 |
| ·原理 | 第54-55页 |
| ·结果分析 | 第55-56页 |
| ·基于 SVR的水流挟沙力预测 | 第56-60页 |
| ·概述 | 第56-57页 |
| ·原理 | 第57页 |
| ·结果分析 | 第57-60页 |
| ·基于 IEA-SVM的年用电量预测 | 第60-64页 |
| ·概述 | 第60页 |
| ·原理 | 第60-61页 |
| ·结果分析 | 第61-64页 |
| ·小结 | 第64页 |
| 参考文献 | 第64-67页 |
| 第3章 粒子群优化算法及其在水科学中的应用 | 第67-79页 |
| ·引言 | 第67-68页 |
| ·粒子群优化算法 | 第68-71页 |
| ·PSO算法的原理 | 第68-69页 |
| ·PSO算法的参数 | 第69-70页 |
| ·PSO算法的流程 | 第70页 |
| ·PSO算法的特点 | 第70-71页 |
| ·基于 PSO算法的暴雨强度公式参数优化 | 第71-74页 |
| ·概述 | 第71-72页 |
| ·原理 | 第72页 |
| ·结果分析 | 第72-74页 |
| ·PSO算法在地下水位动态分析中的应用 | 第74-75页 |
| ·概述 | 第74页 |
| ·实例研究 | 第74页 |
| ·结果分析 | 第74-75页 |
| ·PSO算法在水环境优化问题中的应用 | 第75-77页 |
| ·概述 | 第75页 |
| ·实例研究 | 第75-76页 |
| ·结果分析 | 第76-77页 |
| ·小结 | 第77页 |
| 参考文献 | 第77-79页 |
| 第4章 粒子群优化支持向量机及其在水科学中的应用 | 第79-89页 |
| ·引言 | 第79页 |
| ·粒子群优化支持向量机 | 第79-81页 |
| ·基本思想 | 第79-80页 |
| ·实现方法 | 第80-81页 |
| ·SVM参数的搜索范围 | 第81页 |
| ·基于 PSO-SVM的清江隔河岩站年径流预测 | 第81-84页 |
| ·基本资料 | 第81-82页 |
| ·不考虑降水的结果 | 第82-83页 |
| ·考虑降水的结果 | 第83-84页 |
| ·基于 PSO-SVM的黄河兰州站年径流预测 | 第84-85页 |
| ·基本资料 | 第84页 |
| ·预测方案一 | 第84-85页 |
| ·预测方案二 | 第85页 |
| ·基于 PSO-SVM的黄河内蒙段三湖河口站开河历时预测 | 第85-87页 |
| ·基本资料 | 第86页 |
| ·结果分析 | 第86-87页 |
| ·支持向量机的局限性和不足 | 第87页 |
| ·小结 | 第87-88页 |
| 参考文献 | 第88-89页 |
| 第5章 粒子群优化神经网络及其在水科学中的应用 | 第89-107页 |
| ·引言 | 第89-90页 |
| ·粒子群优化神经网络 | 第90-92页 |
| ·基本思想 | 第90-91页 |
| ·实现方法 | 第91-92页 |
| ·PSO-ANN的参数 | 第92页 |
| ·基于 PSO-ANN的长江宜昌站年径流预测 | 第92-94页 |
| ·基本资料 | 第92-93页 |
| ·结果分析 | 第93-94页 |
| ·基于 PSO-ANN的长江监利站日流量预测 | 第94-96页 |
| ·基本资料 | 第94-95页 |
| ·结果分析 | 第95-96页 |
| ·基于 PSO-ANN的长江宜昌站日流量预测 | 第96-97页 |
| ·基本资料 | 第96页 |
| ·结果分析 | 第96-97页 |
| ·基于 PSO-ANN的金沙江屏山站日流量预测 | 第97-98页 |
| ·基本资料 | 第97页 |
| ·结果分析 | 第97-98页 |
| ·基于 PSO-ANN的长江宜昌站年最大洪峰流量预测 | 第98-100页 |
| ·基本资料 | 第98-99页 |
| ·结果分析 | 第99-100页 |
| ·基于 PSO-ANN的黄河三门峡站年径流预测 | 第100-101页 |
| ·基本资料 | 第100页 |
| ·结果分析 | 第100-101页 |
| ·基于 PSO-ANN的长江寸滩站日流量预测 | 第101-103页 |
| ·基本资料 | 第101-102页 |
| ·结果分析 | 第102-103页 |
| ·小结 | 第103-104页 |
| 参考文献 | 第104-107页 |
| 第6章 小波与粒子群优化神经网络耦合预测模型研究 | 第107-124页 |
| ·引言 | 第107-108页 |
| ·小波分析方法 | 第108-112页 |
| ·多尺度分析 | 第109-110页 |
| ·Mallat算法 | 第110-111页 |
| ·A Trous算法 | 第111-112页 |
| ·基于小波分析的长江寸滩站日流量耦合预测 | 第112-118页 |
| ·小波分解与PSO-ANN耦合预测法 | 第113-114页 |
| ·对传统小波分解耦合预测方法的思索 | 第114-116页 |
| ·信号倒置小波分解与PSO-ANN耦合预测法 | 第116-118页 |
| ·基于小波分析的黄河三门峡站年径流耦合预测 | 第118-121页 |
| ·小波分解与 PSO-ANN耦合预测法 | 第118-120页 |
| ·信号滑动小波分解与PSO-ANN耦合预测法 | 第120-121页 |
| ·小结 | 第121-122页 |
| 参考文献 | 第122-124页 |
| 第7章 小波与粒子群优化支持向量机耦合预测模型研究 | 第124-129页 |
| ·引言 | 第124页 |
| ·Haar小波变换 | 第124-125页 |
| ·基于小波分析的清江隔河岩站年径流耦合预测 | 第125-128页 |
| ·方案一 | 第126页 |
| ·方案二 | 第126-127页 |
| ·结果分析 | 第127-128页 |
| ·小结 | 第128页 |
| 参考文献 | 第128-129页 |
| 第8章 总结与展望 | 第129-133页 |
| ·主要研究成果 | 第129-130页 |
| ·展望 | 第130-133页 |
| 攻读博士学位期间发表的学术论文 | 第133-134页 |
| 攻读博士学位期间参加科研及获奖情况 | 第134-135页 |
| 致谢 | 第135-136页 |
