| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 研究背景和研究意义 | 第10-12页 |
| 1.1.1 研究背景和意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-16页 |
| 1.2.1 潮汐调和分析预报方法研究现状 | 第12-13页 |
| 1.2.2 神经网络在潮汐预报中的应用和研究现状 | 第13页 |
| 1.2.3 智能优化算法在神经网络中的应用和研究现状 | 第13-16页 |
| 1.3 本文主要研究内容 | 第16-18页 |
| 第2章 潮汐基本原理以及潮汐调和分析 | 第18-30页 |
| 2.1 潮汐的基本概念 | 第18-19页 |
| 2.2 潮汐静力学原理 | 第19-22页 |
| 2.3 分潮和观测时长 | 第22-26页 |
| 2.3.1 分潮和观测时长的选择 | 第22-24页 |
| 2.3.2 潮汐数据的预处理 | 第24页 |
| 2.3.3 潮汐的表示方法 | 第24-26页 |
| 2.4 调和常数的计算 | 第26-29页 |
| 2.5 本章小结 | 第29-30页 |
| 第3章 神经网络模型及优化 | 第30-44页 |
| 3.1 BP神经网络 | 第31-37页 |
| 3.1.1 BP网络模型的结构 | 第31-32页 |
| 3.1.2 BP网络的算法 | 第32-36页 |
| 3.1.3 BP神经网络的缺点和改进 | 第36-37页 |
| 3.2 粒子群优化算法 | 第37-40页 |
| 3.2.1 粒子群优化算法 | 第38-39页 |
| 3.2.2 粒子群优化算法基本流程 | 第39-40页 |
| 3.3 自适应粒子群优化算法优化的BP神经网络 | 第40-43页 |
| 3.3.1 自适应粒子群优化算法 | 第40-42页 |
| 3.3.2 自适应粒子群算法优化的BP神经网络 | 第42-43页 |
| 3.4 本章小结 | 第43-44页 |
| 第4章 基于优化的神经网络潮汐预报 | 第44-62页 |
| 4.1 神经网络预测模型的设计 | 第45-47页 |
| 4.2 仿真实验 | 第47-56页 |
| 4.2.1 实验条件 | 第48-50页 |
| 4.2.2 调和分析模型的潮位预报 | 第50-51页 |
| 4.2.3 BP模型的潮位预报 | 第51-53页 |
| 4.2.4 PSO-BP模型的潮位预报 | 第53-54页 |
| 4.2.5 SAPSO-BP模型的潮位预报 | 第54-55页 |
| 4.2.6 预测仿真结果 | 第55-56页 |
| 4.3 SAPSO-BP预测模型的泛化能力和实用性 | 第56-61页 |
| 4.4 本章小结 | 第61-62页 |
| 第5章 区域性潮汐水位预报模型 | 第62-67页 |
| 第6章 结论与展望 | 第67-69页 |
| 6.1 主要结论 | 第67-68页 |
| 6.2 研究不足与展望 | 第68-69页 |
| 参考文献 | 第69-74页 |
| 攻读学位期间公开发表论文 | 第74-75页 |
| 致谢 | 第75-76页 |
| 作者简介 | 第76页 |