| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第12-18页 |
| 1.1 选题背景和研究意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.2.1 国外研究现状 | 第13-14页 |
| 1.2.2 国内研究现状 | 第14-15页 |
| 1.3 文主要研究内容 | 第15-17页 |
| 1.4 本文组织结构 | 第17-18页 |
| 第2章 水质指标预测模型和神经网络 | 第18-28页 |
| 2.1 水质指标分类 | 第18-19页 |
| 2.2 水质指标预测模型 | 第19页 |
| 2.3 水质指标预测的方法 | 第19-21页 |
| 2.3.1 时间序列法 | 第19-20页 |
| 2.3.2 回归分析法 | 第20页 |
| 2.3.3 神经网络方法 | 第20-21页 |
| 2.4 神经网络 | 第21-25页 |
| 2.4.1 神经网络的定义 | 第21-23页 |
| 2.4.2 神经网络的结构 | 第23-24页 |
| 2.4.3 神经网络的应用 | 第24-25页 |
| 2.5 时间序列和交叉验证 | 第25-27页 |
| 2.5.1 时间序列 | 第25页 |
| 2.5.2 交叉验证 | 第25-26页 |
| 2.5.3 时间序列相似性挖掘 | 第26-27页 |
| 2.6 小结 | 第27-28页 |
| 第3章 神经网络交叉验证组合预测 | 第28-40页 |
| 3.1 BP神经网络优化 | 第28-31页 |
| 3.1.1 BP算法的缺点 | 第28页 |
| 3.1.2 带动量项的BP算法 | 第28-29页 |
| 3.1.3 可变学习率 | 第29-30页 |
| 3.1.4 Levenberg-Marquardt算法 | 第30-31页 |
| 3.2 BP神经网络与时间序列预测 | 第31-35页 |
| 3.2.1 改进的神经网络 | 第33-34页 |
| 3.2.2 交叉验证 | 第34-35页 |
| 3.3 实验结果和分析 | 第35-39页 |
| 3.3.1 神经网络设计 | 第35-36页 |
| 3.3.2 实验数据和评估 | 第36-39页 |
| 3.4 小结 | 第39-40页 |
| 第4章 时间序列相似性预测 | 第40-49页 |
| 4.1 水质指标相似性预测 | 第40-41页 |
| 4.2 时间序列的表示方法 | 第41-43页 |
| 4.2.1 分段聚合近似 | 第41-42页 |
| 4.2.2 基于特征点的分段线性表示 | 第42页 |
| 4.2.3 基于斜率变化的分段线性表示 | 第42-43页 |
| 4.3 时间序列相似性度量 | 第43-44页 |
| 4.4 相似性搜索 | 第44页 |
| 4.5 实验与分析 | 第44-47页 |
| 4.5.1 实验数据和环境 | 第44-46页 |
| 4.5.2 不同表示方法拟合误差比较 | 第46-47页 |
| 4.6 小结 | 第47-49页 |
| 第5章 水质指标预测模型 | 第49-57页 |
| 5.1 应用的基本方案 | 第49-50页 |
| 5.2 水质指标预测平台的实现 | 第50-53页 |
| 5.2.1 神经网络预测的Matlab实现 | 第50-52页 |
| 5.2.2 Matlab在Java Web中的调用 | 第52-53页 |
| 5.3 时间序列相似挖掘算法实现 | 第53-55页 |
| 5.4 小结 | 第55-57页 |
| 结论 | 第57-59页 |
| 参考文献 | 第59-63页 |
| 致谢 | 第63-64页 |
| 附录A 攻读学位期间所发表的学术论文目录 | 第64页 |