| 摘要 | 第3-5页 |
| abstract | 第5-6页 |
| 1 绪论 | 第9-14页 |
| 1.1 研究背景和意义 | 第9页 |
| 1.2 国内外研究进展 | 第9-12页 |
| 1.2.1 径流预测研究进展 | 第9-10页 |
| 1.2.2 支持向量机的径流预测研究进展 | 第10页 |
| 1.2.3 时间序列预处理研究进展 | 第10-11页 |
| 1.2.4 小结 | 第11-12页 |
| 1.3 研究内容及技术路线 | 第12-14页 |
| 2 嘉陵江和汉江流域概况 | 第14-16页 |
| 2.1 嘉陵江流域概况 | 第14页 |
| 2.2 汉江流域概况 | 第14-15页 |
| 2.3 数据资料 | 第15-16页 |
| 3 嘉陵江和汉江径流特征分析 | 第16-31页 |
| 3.1 调水区径流特征分析 | 第16-23页 |
| 3.1.1 径流的年内变化 | 第16-17页 |
| 3.1.2 径流的年际变化 | 第17-18页 |
| 3.1.3 径流的代际变化 | 第18-19页 |
| 3.1.4 径流变化趋势 | 第19-20页 |
| 3.1.5 径流变异诊断 | 第20-22页 |
| 3.1.6 径流周期识别 | 第22-23页 |
| 3.2 受水区径流特征分析 | 第23-30页 |
| 3.2.1 径流的年内变化 | 第23-24页 |
| 3.2.2 径流的年际变化 | 第24-25页 |
| 3.2.3 径流代际分布 | 第25-26页 |
| 3.2.4 径流变化趋势 | 第26-27页 |
| 3.2.5 径流变异诊断 | 第27-29页 |
| 3.2.6 径流周期识别 | 第29-30页 |
| 3.3 本章小结 | 第30-31页 |
| 4 基于常规预测模型的月径流预测研究 | 第31-39页 |
| 4.1 自回归滑动平均模型（ARMA） | 第31页 |
| 4.2 人工神经网络模型（ANN） | 第31-32页 |
| 4.3 支持向量机模型（SVM） | 第32-34页 |
| 4.3.1 支持向量机 | 第32-34页 |
| 4.3.2 支持向量机模型的参数优选 | 第34页 |
| 4.4 预测结果评价指标 | 第34-35页 |
| 4.5 基于ARMA、ANN和SVM模型的月径流预测分析 | 第35-38页 |
| 4.5.1 确定模型输入变量 | 第35-36页 |
| 4.5.2 预测结果对比分析 | 第36-38页 |
| 4.6 本章小结 | 第38-39页 |
| 5 基于经验模态分解的混合模型月径流预测研究 | 第39-45页 |
| 5.1 经验模态分解（EMD） | 第39-40页 |
| 5.2 基于模态分解的支持向量机模型（EMD-SVM）研究 | 第40页 |
| 5.3 基于EMD-SVM模型的月径流预测结果分析 | 第40-44页 |
| 5.4 本章小结 | 第44-45页 |
| 6 基于改进的经验模态分解的混合模型月径流预测研究 | 第45-56页 |
| 6.1 改进的经验模态分解（M-EMD） | 第45-46页 |
| 6.2 改进的经验模态分解（M-EMD）径流时间序列分解 | 第46-47页 |
| 6.3 基于改进的M-EMDSVM的月径流预测研究 | 第47-51页 |
| 6.4 嘉陵江和汉江月径流预测研究 | 第51-55页 |
| 6.5 本章小结 | 第55-56页 |
| 7 结论和展望 | 第56-58页 |
| 7.1 结论 | 第56-57页 |
| 7.2 创新点 | 第57页 |
| 7.3 展望 | 第57-58页 |
| 致谢 | 第58-59页 |
| 参考文献 | 第59-62页 |
| 附录 | 第62页 |
