水质预测的粒计算求解与深度学习方法
| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 注释表 | 第12-13页 |
| 第1章 引言 | 第13-21页 |
| 1.1 研究背景及意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-17页 |
| 1.2.1 机理性水质预测现状 | 第14-15页 |
| 1.2.2 非机理性水质预测现状 | 第15-17页 |
| 1.2.3 粒计算研究现状 | 第17页 |
| 1.3 粒计算在水质预测上的优势 | 第17-19页 |
| 1.3.1 水环境的特性 | 第17-18页 |
| 1.3.2 粒计算的优势 | 第18-19页 |
| 1.4 论文研究内容 | 第19-20页 |
| 1.5 论文组织结构 | 第20-21页 |
| 第2章 相关技术综述 | 第21-31页 |
| 2.1 粒计算理论 | 第21-23页 |
| 2.1.1 粒计算的基本概念 | 第21页 |
| 2.1.2 粒计算的基本问题 | 第21-22页 |
| 2.1.3 粒计算的主要模型 | 第22-23页 |
| 2.2 二维对流扩散方程 | 第23-25页 |
| 2.3 深度学习 | 第25-29页 |
| 2.3.1 限制玻尔兹曼机 | 第26-28页 |
| 2.3.2 深度信念网络 | 第28-29页 |
| 2.4 粒子群优化算法 | 第29-30页 |
| 2.4.1 粒子群优化算法原理 | 第29页 |
| 2.4.2 粒子群优化算法流程 | 第29-30页 |
| 2.5 本章小结 | 第30-31页 |
| 第3章 粒计算加速求解二维非线性对流扩散方程 | 第31-46页 |
| 3.1 特征有限元法离散 | 第31-32页 |
| 3.2 GrC-CFEM法求解 | 第32-33页 |
| 3.2.1 GrC-CFEM算法 | 第32-33页 |
| 3.2.2 GrC-CFEM具体步骤 | 第33页 |
| 3.3 收敛性分析 | 第33-36页 |
| 3.4 时间复杂度分析 | 第36-38页 |
| 3.4.1 特征有限元法复杂度分析 | 第36-37页 |
| 3.4.2 GrC-CFEM复杂度分析 | 第37-38页 |
| 3.5 数值例子 | 第38-45页 |
| 3.6 本章小结 | 第45-46页 |
| 第4章 基于深度学习的水质预测 | 第46-56页 |
| 4.1 预测模型算法设计 | 第46-48页 |
| 4.2 水质预测模型参数的优化 | 第48-50页 |
| 4.3 实验数据的介绍与预处理 | 第50-52页 |
| 4.4 实验结果分析 | 第52-54页 |
| 4.5 本章小结 | 第54-56页 |
| 第5章 三峡工程生态环境在线监测系统 | 第56-63页 |
| 5.1 三峡在线检测系统 | 第56-57页 |
| 5.2 三峡在线监测系统架构 | 第57-61页 |
| 5.3 算法在平台的应用 | 第61-62页 |
| 5.4 本章小结 | 第62-63页 |
| 第6章 总结与展望 | 第63-65页 |
| 6.1 研究工作总结 | 第63-64页 |
| 6.2 展望 | 第64-65页 |
| 参考文献 | 第65-70页 |
| 致谢 | 第70-71页 |
| 攻读硕士学位期间从事的科研工作及取得的成果 | 第71页 |
