| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第12-21页 |
| 1.1 选题背景及研究意义 | 第12-13页 |
| 1.1.1 选题背景 | 第12-13页 |
| 1.1.2 研究意义 | 第13页 |
| 1.2 国内外研究现状 | 第13-17页 |
| 1.2.1 地下水位动态变化及其预测研究 | 第13-15页 |
| 1.2.2 时空序列建模方法研究 | 第15-16页 |
| 1.2.3 人工神经网络研究 | 第16-17页 |
| 1.2.4 存在问题及分析 | 第17页 |
| 1.3 研究目标与研究内容 | 第17-18页 |
| 1.3.1 研究目标 | 第17-18页 |
| 1.3.2 研究内容 | 第18页 |
| 1.4 技术路线 | 第18页 |
| 1.5 论文组织框架 | 第18-21页 |
| 第2章 STARMA和BP神经网络建模方法 | 第21-33页 |
| 2.1 时空数据基本性质 | 第21-25页 |
| 2.1.1 时空自相关性 | 第21-25页 |
| 2.1.2 时空平稳性 | 第25页 |
| 2.2 STARMA模型 | 第25-29页 |
| 2.2.1 模型识别 | 第26-27页 |
| 2.2.2 参数估计 | 第27-28页 |
| 2.2.3 模型检验 | 第28页 |
| 2.2.4 适用性分析 | 第28-29页 |
| 2.3 BP神经网络 | 第29-32页 |
| 2.3.1 BP神经网络结构 | 第29-30页 |
| 2.3.2 BP神经网络传递函数 | 第30-31页 |
| 2.3.3 BP算法 | 第31-32页 |
| 2.4 本章小结 | 第32-33页 |
| 第3章 BP-STARMA模型 | 第33-40页 |
| 3.1 模型分析 | 第33-34页 |
| 3.2 模型预测流程 | 第34-35页 |
| 3.3 模型建立 | 第35-39页 |
| 3.3.1 BP神经网络提取非线性时空趋势 | 第35-39页 |
| 3.3.2 STARMA模型 | 第39页 |
| 3.4 本章小结 | 第39-40页 |
| 第4章 基于BP-STARMA模型的地下水位动态预测 | 第40-63页 |
| 4.1 研究区概况 | 第40-43页 |
| 4.1.1 自然地理特征 | 第40-41页 |
| 4.1.2 含水层划分及其水文地质特征 | 第41页 |
| 4.1.3 地下水位监测现状 | 第41-42页 |
| 4.1.4 地下水位动态特征分析 | 第42-43页 |
| 4.2 数据预处理 | 第43-44页 |
| 4.3 探索性时空数据分析 | 第44-48页 |
| 4.3.1 正态分布检验 | 第44-46页 |
| 4.3.2 时空平稳性检验 | 第46-48页 |
| 4.4 BP-STARMA模型建立 | 第48-58页 |
| 4.4.1 BP神经网络提取非线性时空趋势 | 第48-53页 |
| 4.4.2 STARMA建模 | 第53-58页 |
| 4.5 模型检验及验证 | 第58-62页 |
| 4.6 本章小结 | 第62-63页 |
| 第5章 结论与展望 | 第63-65页 |
| 5.1 结论 | 第63-64页 |
| 5.2 展望 | 第64-65页 |
| 参考文献 | 第65-69页 |
| 在读期间发表的学术论文及研究成果 | 第69-70页 |
| 致谢 | 第70页 |