| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 1 引言 | 第10-14页 |
| 1.1 研究背景及意义 | 第10页 |
| 1.2 国内外研究进展 | 第10-12页 |
| 1.2.1 农田地下水环境研究 | 第10-11页 |
| 1.2.2 农田地下水水质评价研究 | 第11-12页 |
| 1.3 研究目标、内容及技术路线 | 第12-14页 |
| 1.3.1 研究目标 | 第12页 |
| 1.3.2 研究内容 | 第12-13页 |
| 1.3.3 技术路线 | 第13-14页 |
| 2 研究区概况及试验设计 | 第14-19页 |
| 2.1 研究区基本情况 | 第14-17页 |
| 2.1.1 研究区地理位置 | 第14页 |
| 2.1.2 研究区气象 | 第14-15页 |
| 2.1.3 研究区种植、施肥情况 | 第15页 |
| 2.1.4 研究区水文地质条件 | 第15页 |
| 2.1.5 研究区周边地形地貌情况 | 第15-17页 |
| 2.2 试验与研究方法介绍 | 第17-19页 |
| 2.2.1 地下水环境监测试验方案 | 第17-18页 |
| 2.2.2 地下水环境研究方法 | 第18-19页 |
| 3 地下水环境动态变化趋势研究 | 第19-33页 |
| 3.1 地下水埋深动态变化趋势研究 | 第19-20页 |
| 3.2 地下水水质时空动态变化趋势研究 | 第20-29页 |
| 3.2.1 地下水悬浮物含量变化趋势研究 | 第20-21页 |
| 3.2.2 地下水pH值变化趋势研究 | 第21-22页 |
| 3.2.3 地下水氨氮、硝酸盐含量变化趋势研究 | 第22-23页 |
| 3.2.4 地下水全盐量、矿化度变化趋势研究 | 第23-25页 |
| 3.2.5 地下水钠离子、氯化物变化趋势研究 | 第25-26页 |
| 3.2.6 地下水镁离子、硫酸盐和总硬度变化趋势研究 | 第26-28页 |
| 3.2.7 地下水重碳酸盐、总碱度变化趋势研究 | 第28-29页 |
| 3.3 地下水质相关性分析 | 第29-30页 |
| 3.4 地下水水质单因子评价 | 第30-32页 |
| 3.5 小结与讨论 | 第32-33页 |
| 4 神经网络与模糊数学结合的基础理论 | 第33-41页 |
| 4.1 人工神经网络基本理论 | 第33-36页 |
| 4.1.1 人工神经网络的概念 | 第33页 |
| 4.1.2 人工神经网络的原理 | 第33-34页 |
| 4.1.3 人工神经网络的分类 | 第34页 |
| 4.1.4 人工神经网络的运作过程和样本分类 | 第34-35页 |
| 4.1.5 人工神经网络的优点及研究意义 | 第35-36页 |
| 4.2 模糊数学的基本理论 | 第36-39页 |
| 4.2.1 模糊现象 | 第36页 |
| 4.2.2 模糊集合 | 第36-39页 |
| 4.2.3 模糊关系 | 第39页 |
| 4.3 人工神经网络与模糊数学的融合 | 第39-40页 |
| 4.4 小结与讨论 | 第40-41页 |
| 5 基于BP神经网络—隶属度串联模型的地下水水质评价 | 第41-61页 |
| 5.1 BP神经网络 | 第41-51页 |
| 5.1.1 BP神经网络模型的简介 | 第41-42页 |
| 5.1.2 BP神经网络的研究意义 | 第42-43页 |
| 5.1.3 BP神经网络模型 | 第43-44页 |
| 5.1.4 BP神经网络训练学习 | 第44页 |
| 5.1.5 BP神经网络算法的原理 | 第44-48页 |
| 5.1.6 BP神经网络算法的实现 | 第48页 |
| 5.1.7 BP神经网络的不足和改进 | 第48-51页 |
| 5.2 水质评价BP神经网络—隶属度串联模型的构建 | 第51-52页 |
| 5.3 水质评价BP神经网络—隶属度串联模型的程序编制 | 第52-53页 |
| 5.4 水质评价BP神经网络—隶属度串联模型的实例运算 | 第53-57页 |
| 5.5 水质评价BP神经网络—隶属度串联模型的验证 | 第57-59页 |
| 5.6 小结与讨论 | 第59-61页 |
| 6 结论与展望 | 第61-63页 |
| 6.1 主要结论 | 第61-62页 |
| 6.2 展望 | 第62-63页 |
| 致谢 | 第63-64页 |
| 参考文献 | 第64-69页 |
| 作者简介 | 第69页 |
