| 摘要 | 第1-14页 |
| Abstract | 第14-16页 |
| 第一章 绪论 | 第16-33页 |
| ·本课题研究的目的与意义 | 第16-17页 |
| ·研究背景 | 第16-17页 |
| ·研究目的与意义 | 第17页 |
| ·本课题国内外研究现状与评述 | 第17-31页 |
| ·数据挖掘技术概述 | 第17-19页 |
| ·水文时间序列数据挖掘主要研究方向和关键问题 | 第19-21页 |
| ·模式描述方法研究现状及分析 | 第21-25页 |
| ·相似性度量研究现状及分析 | 第25-26页 |
| ·分类算法研究现状及分析 | 第26-31页 |
| ·本文主要研究内容和创新点 | 第31-33页 |
| ·主要研究内容 | 第31-32页 |
| ·本文的创新点 | 第32-33页 |
| 第二章 水文时间序列相关概念和数据挖掘基础算法介绍 | 第33-43页 |
| ·引言 | 第33页 |
| ·水文时间序列 | 第33页 |
| ·模式描述 | 第33-34页 |
| ·相似性度量 | 第34-36页 |
| ·欧氏距离 | 第35页 |
| ·动态时间扭曲距离 | 第35-36页 |
| ·分类学习算法 | 第36-42页 |
| ·分类学习的定义 | 第36-37页 |
| ·分类学习算法的种类 | 第37页 |
| ·分类学习过程 | 第37-38页 |
| ·分类模型的评价标准与方法 | 第38-42页 |
| ·本章小结 | 第42-43页 |
| 第三章 基于要素特征的水文相似性度量算法研究 | 第43-60页 |
| ·引言 | 第43-44页 |
| ·基于特征点的水文时间序列模式描述 | 第44-47页 |
| ·模式描述的概念 | 第44页 |
| ·分段线性化的模式描述方法 | 第44-45页 |
| ·水文时间序列的特征点 | 第45-46页 |
| ·特征点定义 | 第46-47页 |
| ·基于特征点的水文时间序列的模式描述算法 | 第47页 |
| ·基于要素特征的水文时间序列相似性度量 | 第47-51页 |
| ·传统的DTW算法 | 第47-49页 |
| ·自适应分段动态时间扭曲(ASDTW)算法 | 第49-51页 |
| ·实验研究 | 第51-59页 |
| ·实验目的及环境 | 第51-52页 |
| ·运算效率的评测 | 第52-54页 |
| ·度量准确率的评测 | 第54-59页 |
| ·本章小结 | 第59-60页 |
| 第四章 水文时间序列分类算法研究 | 第60-79页 |
| ·引言 | 第60-61页 |
| ·模型树分类 | 第61-72页 |
| ·经典的模型树算法 | 第61-65页 |
| ·基于支持向量回归的模型树算法 | 第65-72页 |
| ·基于实例学习的分类 | 第72-78页 |
| ·经典的基于实例学习算法 | 第72-73页 |
| ·改进基于实例学习算法 | 第73-78页 |
| ·本章小结 | 第78-79页 |
| 第五章 逐日水文过程数据挖掘模型 | 第79-91页 |
| ·引言 | 第79-80页 |
| ·研究区概况 | 第80-81页 |
| ·研究区水文资料情况 | 第81-82页 |
| ·研究目标与方法 | 第82页 |
| ·数据预处理 | 第82-84页 |
| ·数据集成 | 第82-83页 |
| ·数据选择 | 第83页 |
| ·数据净化 | 第83页 |
| ·数据转换 | 第83-84页 |
| ·研究区降雨径流特性分析 | 第84-86页 |
| ·实验过程及对比分析 | 第86-90页 |
| ·新安江模型的应用分析 | 第86-87页 |
| ·模型树算法的应用与分析 | 第87-90页 |
| ·本章小结 | 第90-91页 |
| 第六章 水文要素摘录系列数据挖掘模型 | 第91-104页 |
| ·引言 | 第91-93页 |
| ·研究区概况 | 第93页 |
| ·研究区资料 | 第93-94页 |
| ·研究目标与方法 | 第94页 |
| ·实验过程及对比分析 | 第94-102页 |
| ·传统的洪水预报方法——降雨径流经验相关法 | 第94-97页 |
| ·基于数据挖掘的洪水预报模型 | 第97-102页 |
| ·本章小结 | 第102-104页 |
| 第七章 结论与展望 | 第104-106页 |
| ·结论 | 第104-105页 |
| ·展望 | 第105-106页 |
| 参考文献 | 第106-112页 |
| 致谢 | 第112-113页 |
| 攻读学位期间发表的学术论文 | 第113页 |