| 前言 | 第1-8页 |
| 第一章 绪论 | 第8-18页 |
| 1．1 水文过程的特点 | 第8-9页 |
| 1．2 水文模拟研究及人工神经网络模型的应用 | 第9-13页 |
| 1．3 论文的目的、基本论点和创新点 | 第13-16页 |
| 1．4 论文编排 | 第16-18页 |
| 第二章 人工神经网络技术 | 第18-34页 |
| 2．1 生物神经元 | 第18-19页 |
| 2．2 人工神经网络发展历程及特点 | 第19-21页 |
| 2．3 神经网络类别 | 第21页 |
| 2．4 学习过程 | 第21-22页 |
| 2．5 多层感知器神经网络 | 第22-28页 |
| 2．6 其它常用的人工神经网络 | 第28-32页 |
| 2．7 本章结语 | 第32-34页 |
| 第三章 人工神经网络在水资源研究上的应用 | 第34-44页 |
| 3．1 概述 | 第34-35页 |
| 3．2 人工神经网络在水资源研究上的应用 | 第35-40页 |
| 3．3 不足之处 | 第40-41页 |
| 3．4 人工神经网络在水文预报上应用展望 | 第41-43页 |
| 3．5 本章结语 | 第43-44页 |
| 第四章 应用神经网络建模时的几个关键问题 | 第44-52页 |
| 4．1 概述 | 第44-45页 |
| 4．2 数据前处理 | 第45-46页 |
| 4．3 最佳输入模式的识别 | 第46-47页 |
| 4．4 过适应（Overfitting）及预防 | 第47-50页 |
| 4．5 神经网络训练过程图 | 第50-51页 |
| 4．6 本章结语 | 第51-52页 |
| 第五章 模型性能评价指标 | 第52-58页 |
| 5．1 概述 | 第52-53页 |
| 5．2 图形指标 | 第53-54页 |
| 5．3 数值指标 | 第54-56页 |
| 5．4 残差信息 | 第56页 |
| 5．5 本章小结 | 第56-58页 |
| 第六章 城市化地区的基于ANN的水文模型 | 第58-73页 |
| 6．1 概述 | 第58-59页 |
| 6．2 流域及资料介绍 | 第59-61页 |
| 6．3 降雨——径流模型 | 第61-65页 |
| 6．4 外延问题 | 第65-67页 |
| 6．5 水文相似流域的耦合模型 | 第67-68页 |
| 6．6 城市化参数的影响 | 第68-71页 |
| 6．7 本章结语 | 第71-73页 |
| 第七章 神经网络在径流连续模拟上的应用 | 第73-94页 |
| 7．1 概述 | 第73-74页 |
| 7．2 研究区域介绍 | 第74-80页 |
| 7．3 单一构型ANN模型径流预报 | 第80-85页 |
| 7．4 基于空间信息分类的神经网络模型 | 第85-88页 |
| 7．5 修正的基于分类的神经网络模型（季节性模型） | 第88-93页 |
| 7．6 本章结语 | 第93-94页 |
| 第八章 结论及建议 | 第94-98页 |
| 8．1 结论 | 第94-96页 |
| 8．2 建议 | 第96-98页 |
| 参考文献 | 第98-105页 |
| 附录 Matlab平台上的网络实现 | 第105-109页 |
| A．1． The relative mean error（RME） | 第105-106页 |
| A．2． Noise to Signal Ratio | 第106页 |
| A．3． NMSE | 第106-107页 |
| A．4． COE | 第107页 |
| A．5 Matlab神经网络训练程序 | 第107-109页 |
| 攻读博士期间发表文章 | 第109-110页 |
| 致谢 | 第110页 |
