| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 第1章 绪论 | 第7-13页 |
| 1.1 研究背景及意义 | 第7-8页 |
| 1.2 国内外研究现状 | 第8-12页 |
| 1.2.1 灌区量水技术的发展 | 第8-11页 |
| 1.2.2 人工神经网络在量水技术中的应用现状 | 第11-12页 |
| 1.3 本文结构安排 | 第12-13页 |
| 第2章 赣抚平原主要干渠概况 | 第13-22页 |
| 2.1 赣抚平原灌区概况 | 第13-15页 |
| 2.1.1 灌区概况 | 第13页 |
| 2.1.2 灌区自然地理概况 | 第13-14页 |
| 2.1.3 灌区社会经济概况 | 第14-15页 |
| 2.2 主要干渠及测量点简介 | 第15-17页 |
| 2.2.1 主要干渠介绍 | 第15-16页 |
| 2.2.2 各干渠测量点及实测数据 | 第16-17页 |
| 2.3 灌区传统量水方法介绍 | 第17-21页 |
| 2.3.1 灌区传统量水方法简介 | 第17-20页 |
| 2.3.2 灌区传统量水方法的实现步骤 | 第20-21页 |
| 2.4 本章小结 | 第21-22页 |
| 第3章 神经网络流量预测模型建立 | 第22-50页 |
| 3.1 人工神经网络基本理论 | 第22-27页 |
| 3.1.1 人工神经网络基本原理 | 第22-24页 |
| 3.1.2 人工神经网络分类与学习规则 | 第24-27页 |
| 3.2 典型的人工神经网络介绍 | 第27-34页 |
| 3.2.1 BP 神经网络 | 第27-30页 |
| 3.2.2 RBF 神经网络 | 第30-32页 |
| 3.2.3 灰色神经网络 | 第32-34页 |
| 3.3 神经网络流量预测模型建立 | 第34-44页 |
| 3.3.1 最小二乘法曲线拟合 | 第34-37页 |
| 3.3.2 BP 神经网络流量预测模型参数设置 | 第37-40页 |
| 3.3.3 RBF 神经网络流量预测模型参数设置 | 第40-43页 |
| 3.3.4 灰色神经网络流量预测模型参数设置 | 第43-44页 |
| 3.4 流量预测模型仿真结果与分析 | 第44-48页 |
| 3.5 本章小结 | 第48-50页 |
| 第4章 BP 神经网络流量预测模型优化 | 第50-66页 |
| 4.1 GA 简介 | 第50-52页 |
| 4.1.1 GA 基本原理 | 第50-51页 |
| 4.1.2 基本遗传算法流程 | 第51-52页 |
| 4.2 粒子群优化算法 | 第52-56页 |
| 4.2.1 PSO 算法基本原理 | 第52-54页 |
| 4.2.2 改进的粒子群算法 IIWPSO | 第54-56页 |
| 4.3 GA-BP 和 IIWPSO-BP 流量预测模型建立 | 第56-60页 |
| 4.3.1 GA-BP 参数设置 | 第56-58页 |
| 4.3.2 IIWPSO-BP 参数设置 | 第58-60页 |
| 4.4 优化模型仿真结果及分析 | 第60-64页 |
| 4.4.1 适应度值对比 | 第60-61页 |
| 4.4.2 流量预测模型结果仿真与分析 | 第61-64页 |
| 4.5 本章小结 | 第64-66页 |
| 第5章 总结与展望 | 第66-68页 |
| 5.1 主要研究内容 | 第66-67页 |
| 5.2 工作展望 | 第67-68页 |
| 致谢 | 第68-69页 |
| 参考文献 | 第69-72页 |
| 附录 | 第72-73页 |
| 表 A1 六干渠实测数据 | 第72-73页 |
| 表 A2 六干渠流态区分 | 第73页 |