| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 第1章 绪论 | 第8-14页 |
| 1.1 研究背景 | 第8页 |
| 1.2 研究意义与目的 | 第8-9页 |
| 1.3 国内外研究进展 | 第9-11页 |
| 1.4 主要研究内容和技术路线 | 第11-14页 |
| 第2章 确定致灾临界雨量的线性回归模型 | 第14-32页 |
| 2.1 临界雨量的定义 | 第14页 |
| 2.2 临界雨量的计算方法 | 第14-18页 |
| 2.3 数字高程模型(DEM) | 第18-19页 |
| 2.4 面雨量的计算 | 第19-21页 |
| 2.5 FloodArea模型计算原理 | 第21-26页 |
| 2.6 FloodArea模型淹没模拟过程 | 第26-29页 |
| 2.7 致灾临界雨量小时尺度的选择 | 第29-30页 |
| 2.8 小时雨量分配研究 | 第30-31页 |
| 2.9 确定致灾临界雨量的线性回归模型 | 第31-32页 |
| 第3章 BP神经网络模型 | 第32-40页 |
| 3.1 人工神经网络 | 第32-34页 |
| 3.2 BP神经网络 | 第34-39页 |
| 3.3 BP算法的性能分析 | 第39-40页 |
| 第4章 基于遗传算法优化的BP神经网络模型 | 第40-47页 |
| 4.1 遗传算法及其原理 | 第40页 |
| 4.2 遗传算法步骤及流程 | 第40-44页 |
| 4.3 基于遗传算法优化的双层BP神经网络模型 | 第44-45页 |
| 4.4 确定致灾临界雨量的神经网络模型 | 第45-47页 |
| 第5章 确定致灾临界雨量的实例分析 | 第47-78页 |
| 5.1 回归模型在确定安化县致灾临界雨量上的应用 | 第47-66页 |
| 5.2 基于BP神经网络的致灾临界雨量确定模型的建立 | 第66-69页 |
| 5.3 基于BP神经网络预测模型仿真实例 | 第69-72页 |
| 5.4 基于GA-BP神经网络的致灾临界雨量确定模型的建立 | 第72-73页 |
| 5.5 基于GA-BP神经网络预测模型仿真实例 | 第73-78页 |
| 第6章 总结与展望 | 第78-80页 |
| 参考文献 | 第80-83页 |
| 致谢 | 第83-84页 |