| 第1章 绪论 | 第1-20页 |
| 1．1 课题的来源、目的和意义 | 第10-12页 |
| 1．2 国内外水文预报的发展和现状 | 第12-14页 |
| 1．3 人工神经网络在水文领域的应用 | 第14-16页 |
| 1．4 人工神经网络与洪水预报结合的优势 | 第16-18页 |
| 1．5 本文研究的主要目的和内容 | 第18-20页 |
| 第2章 基于人工神经网络洪水预报的理论基础 | 第20-32页 |
| 2．1 引言 | 第20-21页 |
| 2．2 人工神经网络的发生与发展 | 第21-22页 |
| 2．3 生物神经网络与人工神经网络 | 第22-24页 |
| 2．4 人工神经网络的特点 | 第24-26页 |
| 2．5 人工神经网络的数学模型 | 第26-29页 |
| 2．6 人工神经网络的基本构架 | 第29-30页 |
| 2．7 人工神经网络的类型 | 第30-31页 |
| 2．8 本章小结 | 第31-32页 |
| 第3章 人工神经网络洪水预报模型的选取和建立 | 第32-45页 |
| 3．1 引言 | 第32页 |
| 3．2 人工神经网络洪水预报的网络选取 | 第32-33页 |
| 3．3 BP神经网络 | 第33-41页 |
| 3．3．1 典型 BP网络的学习原则及训练过程 | 第33-38页 |
| 3．3．2 BP算法的通常改进措施 | 第38-41页 |
| 3．4 BP网络洪水预报模型的建立 | 第41-42页 |
| 3．5 实例建模 | 第42-44页 |
| 3．6 本章小结 | 第44-45页 |
| 第4章 BP网络洪水预报模型的算法优化设计 | 第45-63页 |
| 4．1 引言 | 第45-46页 |
| 4．2 遗传算法 | 第46-51页 |
| 4．2．1 遗传算法的简介 | 第46-47页 |
| 4．2．2 遗传算法的理论基础 | 第47-48页 |
| 4．2．3 遗传算法的特点 | 第48-49页 |
| 4．2．4 遗传算法的构成要素 | 第49-51页 |
| 4．3 基于 BP与 GA相结合算法的可行性分析 | 第51-52页 |
| 4．4 GA-LMBP洪水预报模型算法设计 | 第52-60页 |
| 4．4．1 神经网络的编码及描述方法 | 第52-54页 |
| 4．4．2 GA-LMBP神经网络学习算法设计步骤 | 第54-59页 |
| 4．4．3 GA-LMBP神经网络算法流程图 | 第59-60页 |
| 4．5 性能试验及仿真 | 第60-62页 |
| 4．6 本章小结 | 第62-63页 |
| 第5章 GA-LMBP神经网络在洪水预报中的应用 | 第63-75页 |
| 5．1 引言 | 第63页 |
| 5．2 水库日最大径流预报 | 第63-72页 |
| 5．2．1 洪水预报网络模型Ⅰ | 第65-67页 |
| 5．2．2 洪水预报网络模型Ⅱ | 第67-68页 |
| 5．2．3 洪水预报网络模型Ⅲ | 第68-69页 |
| 5．2．4 三种洪水预报模型分析 | 第69-70页 |
| 5．2．5 三种 BP算法在洪水预报中的应用比较 | 第70-72页 |
| 5．3 GA-LMBP洪水预报模型的泛化能力的改进 | 第72-74页 |
| 5．5 本章小结 | 第74-75页 |
| 结论 | 第75-77页 |
| 参考文献 | 第77-81页 |
| 攻读硕士学位期间发表的论文及取得的科研成果 | 第81-82页 |
| 致谢 | 第82页 |