| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 水文现象的特点 | 第11-12页 |
| 1.2 研究的目的与意义 | 第12-13页 |
| 1.3 国内外径流预测与技术发展综述 | 第13-14页 |
| 1.4 研究的内容与方法 | 第14-17页 |
| 第二章 人工神经网络 | 第17-23页 |
| 2.1 人工神经网络的特点与类别 | 第17-18页 |
| 2.1.1 人工神经网络的特点 | 第17页 |
| 2.1.2 人工神经网络的类别 | 第17-18页 |
| 2.2 多层感知器神经网络 | 第18-20页 |
| 2.2.1 单层感知器模型 | 第18-19页 |
| 2.2.2 多层感知器模型 | 第19-20页 |
| 2.3 误差反向传播算法-BP算法 | 第20-21页 |
| 2.4 本章小结 | 第21-23页 |
| 第三章 模糊推理系统 | 第23-29页 |
| 3.1 模糊集合的定义与基本计算 | 第23-24页 |
| 3.1.1 模糊集合的定义 | 第23-24页 |
| 3.1.2 模糊系统的基本运算 | 第24页 |
| 3.2 模糊推理过程 | 第24-26页 |
| 3.2.1 模糊化 | 第24-25页 |
| 3.2.2 知识库与模糊推理机 | 第25-26页 |
| 3.2.3 反模糊化 | 第26页 |
| 3.3 T-S模糊推理系统 | 第26-27页 |
| 3.4 本章小结 | 第27-29页 |
| 第四章 自适应神经模糊推理系统(ANFIS)在MATLAB中的实现 | 第29-43页 |
| 4.1 人工神经网络与模糊推理系统的特性分析-相似性与相异性 | 第29-30页 |
| 4.1.1 神经网络和模糊系统的相似性 | 第29-30页 |
| 4.1.2 神经网络和模糊系统的相异性 | 第30页 |
| 4.2 人工神经网络和模糊推理系统的结合 | 第30-31页 |
| 4.3 自适应神经模糊推理系统的结构 | 第31-33页 |
| 4.4 自适应神经模糊推理系统在MATLAB中的实现 | 第33-41页 |
| 4.4.1 提取所需数据 | 第33-34页 |
| 4.4.2 归一化处理 | 第34-35页 |
| 4.4.3 确定输入变量的隶属度函数 | 第35页 |
| 4.4.4 生成初始化模型 | 第35-36页 |
| 4.4.5 调整参数训练模型 | 第36-37页 |
| 4.4.6 使用自适应神经模糊推理系统进行模型优化 | 第37-38页 |
| 4.4.7 计算系统的输出结果 | 第38页 |
| 4.4.8 功能性函数 | 第38-41页 |
| 4.5 本章小结 | 第41-43页 |
| 第五章 自适应神经模糊推理系统在月径流预测中的应用 | 第43-65页 |
| 5.1 流域概况 | 第43页 |
| 5.2 ANFIS在兰州站月径流预测中的应用 | 第43-64页 |
| 5.2.1 隶属度函数 | 第44-48页 |
| 5.2.2 原始数据与预测结果比较 | 第48-57页 |
| 5.2.3 预测结果评价 | 第57-64页 |
| 5.3 本章小结 | 第64-65页 |
| 第六章 结论与展望 | 第65-69页 |
| 6.1 结论 | 第65-66页 |
| 6.2 展望 | 第66-69页 |
| 参考文献 | 第69-75页 |
| 致谢 | 第75-77页 |
| 附件：程序 | 第77-86页 |
| (1)预测程序 | 第77-83页 |
| (2)功能函数一 | 第83-85页 |
| (3)功能函数二 | 第85-86页 |
