| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-19页 |
| 1.1 选题背景及研究意义 | 第9-11页 |
| 1.1.1 选题背景 | 第9-10页 |
| 1.1.2 研究意义 | 第10-11页 |
| 1.2 目前水质检测工业流程 | 第11-16页 |
| 1.2.1 水质检测流程 | 第11-13页 |
| 1.2.2 采样与样品交接 | 第13页 |
| 1.2.3 样品检验通知单和三级审核制度 | 第13-14页 |
| 1.2.4 水质检测报告对水处理工艺加药的指导 | 第14-16页 |
| 1.3 目前水质预测方法现状 | 第16-17页 |
| 1.3.1 基于粗糙集和证据理论的水质分析预测技术 | 第16页 |
| 1.3.2 基于时间序列算法的预测技术 | 第16-17页 |
| 1.3.3 基于动态数据驱动的预测技术 | 第17页 |
| 1.4 本论文的研究内容及各章节安排 | 第17-18页 |
| 1.5 本章小结 | 第18-19页 |
| 第二章 水质污染中藻类爆发的影响因素 | 第19-23页 |
| 2.1 水源地原水情况分析 | 第19-20页 |
| 2.2 藻类爆发的影响因素分析 | 第20-22页 |
| 2.2.1 藻类污染指数分析方法 | 第20-21页 |
| 2.2.2 藻类爆发的影响因素 | 第21-22页 |
| 2.3 本章小结 | 第22-23页 |
| 第三章 基于Lasso方法的藻类爆发影响因素的分析 | 第23-38页 |
| 3.1 Lasso方法的研究现状 | 第23-27页 |
| 3.1.1 Lasso方法简介 | 第24-27页 |
| 3.1.2 最小角回归算法 | 第27页 |
| 3.2 基于Lasso方法的藻类爆发影响因素的分析 | 第27-37页 |
| 3.2.1 数据来源与变量选择 | 第27-29页 |
| 3.2.2 数据处理及模型建立 | 第29页 |
| 3.2.3 实验结果分析 | 第29-37页 |
| 3.3 本章小结 | 第37-38页 |
| 第四章 基于BP神经网络的藻类爆发预测模型 | 第38-49页 |
| 4.1 BP神经网络算法原理 | 第38-44页 |
| 4.1.1 BP神经网络的介绍 | 第39-40页 |
| 4.1.2 BP神经网络的构成和算法思路 | 第40-41页 |
| 4.1.3 BP神经网络的预测方法和步骤 | 第41-44页 |
| 4.2 基于BP神经网络的藻类爆发预测模型 | 第44-48页 |
| 4.2.1 基于BP神经网络的预测模型 | 第44-45页 |
| 4.2.2 模拟结果 | 第45-48页 |
| 4.3 本章小结 | 第48-49页 |
| 结论 | 第49-50页 |
| 参考文献 | 第50-54页 |
| 作者简介 | 第54-55页 |
| 致谢 | 第55-56页 |
