| 中文摘要 | 第1-5页 |
| 英文摘要 | 第5-9页 |
| 1 人工神经网络（ANN）与水质评价 | 第9-20页 |
| 1．1 人工神经网络（ANN）的基本原理与应用概述 | 第9-12页 |
| 1．1．1 人工神经网络的概念 | 第9页 |
| 1．1．2 人工神经网络研究的发展简史 | 第9-10页 |
| 1．1．3 人工神经网络的分类 | 第10-11页 |
| 1．1．4 人工神经网络计算和传统计算的比较 | 第11-12页 |
| 1．2 人工神经网络在水质规划和管理中的应用 | 第12-17页 |
| 1．2．1概述 | 第12-13页 |
| 1．2．2 人工神经网络在给水水质管理方面的应用 | 第13-14页 |
| 1．2．3 人工神经网络在污水处理方面的应用 | 第14-15页 |
| 1．2．4 人工神经网络在水质规划与水质评价中的应用 | 第15-17页 |
| 1．2．5 人工神经网络的优点及研究意义 | 第17页 |
| 1．3 本论文研究课题的提出 | 第17-20页 |
| 1．3．1 本研究的背景及意义 | 第17-18页 |
| 1．3．2 本论文提出的研究内容 | 第18-20页 |
| 2 神经网络与模糊系统结合的数学基础 | 第20-31页 |
| 2．1 概述 | 第20-21页 |
| 2．1．1 模糊数学的含义及发展历程 | 第20-21页 |
| 2．2 模糊数学的基础 | 第21-24页 |
| 2．2．1 模糊集的定义及应用 | 第21-22页 |
| 2．2．2 模糊集的表示法 | 第22页 |
| 2．2．3 模糊集合隶属函数的建立 | 第22-23页 |
| 2．2．4 模糊集合的基本运算 | 第23-24页 |
| 2．3 模糊关系 | 第24-25页 |
| 2．3．1 模糊关系的定义 | 第24页 |
| 2．3．2 模糊关系的运算 | 第24-25页 |
| 2．3．3 模糊化运算 | 第25页 |
| 2．4 人工神经网络与模糊系统 | 第25-31页 |
| 2．4．1 人工神经网络与模糊系统结合的可能性 | 第25-27页 |
| 2．4．2 人工神经网络与模糊系统结合的形态 | 第27-31页 |
| 3 水质评价BP网络-隶属度串联模型研究 | 第31-41页 |
| 3．1 BP（Back-propagation）网络基本原理 | 第31-35页 |
| 3．1．1 BP网络模型的简述 | 第31页 |
| 3．1．2 BP网络模型的架构 | 第31-32页 |
| 3．1．3 BP网络模型的算法 | 第32-35页 |
| 3．2 水质评价BP网络-隶属度串联模型 | 第35-41页 |
| 3．2．1 水质评价BP网络-隶属度串联模型的建构 | 第35-37页 |
| 3．2．2 水质评价BP网络-隶属度串联模型的程序编制 | 第37页 |
| 3．2．3 水质评价BP网络-隶属度串联模型的实例运算 | 第37-41页 |
| 4 水质评价模糊神经网络（FNN）模型研究 | 第41-52页 |
| 4．1 模糊神经网络（FNN）概述 | 第41页 |
| 4．2 FNN模型的研究 | 第41-47页 |
| 4．2．1 学习结合型FNN模型的结构和原理 | 第41-44页 |
| 4．2．2 FNN模型的学习算法 | 第44-47页 |
| 4．3 水质评价FNN模型研究 | 第47-52页 |
| 4．3．1 水质评价FNN模型的建构 | 第47-48页 |
| 4．3．2 水质评价FNN模型的实例运算 | 第48-52页 |
| 5 水质评价模糊神经网络模型实用性的若干问题讨论 | 第52-63页 |
| 5．1 数据样本集的产生 | 第52-53页 |
| 5．2 数据预处理 | 第53-56页 |
| 5．2．1 几种不同的数据预处理方法 | 第53-54页 |
| 5．2．2 不同数据预处理方法对同一样本集测试结果的比较 | 第54-56页 |
| 5．3 BP算法存在的问题及改进 | 第56-61页 |
| 5．3．1 BP算法的缺陷及原因 | 第56-57页 |
| 5．3．2 对BP算法改进的一些探讨 | 第57-60页 |
| 5．3．3 提高网络推广能力的权值控制算法 | 第60-61页 |
| 5．4 水质评价FNN模型与BP网络-隶属度串联模型的比较 | 第61-62页 |
| 5．5 FNN模型的应用前景 | 第62-63页 |
| 6 结论与建议 | 第63-65页 |
| 6．1 结论 | 第63-64页 |
| 6．2 进一步研究的建议 | 第64-65页 |
| 致谢 | 第65-66页 |
| 参考文献 | 第66-69页 |
