| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-18页 |
| 1.1 选题背景及意义 | 第9-10页 |
| 1.2 国内外研究进展 | 第10-15页 |
| 1.2.1 水文预报研究现状 | 第10-14页 |
| 1.2.2 时校正方法研究现状 | 第14-15页 |
| 1.3 本文研究内容及技术路线 | 第15-18页 |
| 第2章 基于互信息的改进RBF神经网络预测模型 | 第18-31页 |
| 2.1 引言 | 第18页 |
| 2.2 RBF人工神经网络理论 | 第18-24页 |
| 2.2.1 神经元模型 | 第18-19页 |
| 2.2.2 RBF神经网络模型 | 第19-20页 |
| 2.2.3 RBF神经网络学习方法 | 第20-24页 |
| 2.3 最邻近聚类算法 | 第24-26页 |
| 2.4 互信息理论 | 第26-28页 |
| 2.5 基于互信息的改进RBF神经网络径流预测模型 | 第28-30页 |
| 2.6 本章小结 | 第30-31页 |
| 第3章 MI-RBF预测模型在短期径流预报中的应用 | 第31-39页 |
| 3.1 引言 | 第31页 |
| 3.2 实例研究 | 第31-34页 |
| 3.2.1 研究对象概况 | 第31-32页 |
| 3.2.2 基于互信息的输入变量选择 | 第32-33页 |
| 3.2.3 模型训练与预测 | 第33-34页 |
| 3.3 结果分析 | 第34-38页 |
| 3.4 本章小结 | 第38-39页 |
| 第4章 实时校正模型在短期径流预报中的应用 | 第39-49页 |
| 4.1 引言 | 第39页 |
| 4.2 实时校正的必要性 | 第39-40页 |
| 4.3 常用实时校正方法 | 第40-42页 |
| 4.3.1 自回归修正模型 | 第40页 |
| 4.3.2 有限记忆最小二乘法 | 第40-41页 |
| 4.3.3 卡尔曼滤波法 | 第41-42页 |
| 4.4 泸宁站水文预报实时校正方案 | 第42-48页 |
| 4.4.1 实时校正模型的建立 | 第42-43页 |
| 4.4.2 实时校正结果分析 | 第43-48页 |
| 4.5 本章小结 | 第48-49页 |
| 第5章 总结与展望 | 第49-51页 |
| 5.1 全文总结 | 第49页 |
| 5.2 研究展望 | 第49-51页 |
| 参考文献 | 第51-56页 |
| 在校期间发表的学术论文及其它成果 | 第56-57页 |
| 致谢 | 第57页 |