滨江流域水文模型研究
| 第一章 绪论 | 第1-23页 |
| ·研究背景 | 第9-11页 |
| ·洪水的危害 | 第9-10页 |
| ·项目背景 | 第10-11页 |
| ·水文模型的分类 | 第11-14页 |
| ·按学科分类 | 第11-12页 |
| ·依照研究对象分类 | 第12页 |
| ·按模型结构分类 | 第12-13页 |
| ·依照模型性质分类 | 第13-14页 |
| ·国内外研究进展 | 第14-21页 |
| ·汇流理论的研究 | 第14-15页 |
| ·分布式水文模型的研究 | 第15-16页 |
| ·GIS在水文模型中的应用研究 | 第16-17页 |
| ·遥感在水文模型中的应用研究 | 第17-19页 |
| ·人工神经网络在水文模型中的应用研究 | 第19-21页 |
| ·本文的主要研究内容与组织结构 | 第21-23页 |
| 第二章 BP网络的改进算法和遗传算法优化权重方法 | 第23-40页 |
| ·人工神经网络简介 | 第23-28页 |
| ·人工神经网络的产生与发展 | 第23-25页 |
| ·人工神经网络的特点 | 第25-26页 |
| ·BP神经网络 | 第26-28页 |
| ·BP网络算法改进及其优化设计 | 第28-35页 |
| ·初始权重的优化 | 第28-29页 |
| ·学习率的自适应调整 | 第29-31页 |
| ·动量法 | 第31-32页 |
| ·网络隐层的层数与隐节点数目的确定 | 第32-33页 |
| ·训练次数的确定 | 第33页 |
| ·训练样本的基本要求 | 第33页 |
| ·样本数据的预处理 | 第33-35页 |
| ·遗传算法简介 | 第35-36页 |
| ·遗传算法优化权重方法 | 第36-40页 |
| 第三章 实时水位预报的神经网络模型 | 第40-62页 |
| ·试验区概况 | 第41页 |
| ·数据处理 | 第41-44页 |
| ·流域平均降雨量的计算 | 第42-44页 |
| ·神经网络模型的建立 | 第44-60页 |
| ·6小时模型 | 第44-56页 |
| ·1小时模型 | 第56-60页 |
| ·小结 | 第60-62页 |
| 第四章 基于神经网络的日降雨～径流耦合模型 | 第62-78页 |
| ·引言 | 第62-63页 |
| ·耦合模型的建立 | 第63-67页 |
| ·简单线性模型(SLM) | 第63-66页 |
| ·耦合模型 | 第66-67页 |
| ·耦合模型在日降雨～径流模拟中的应用 | 第67-73页 |
| ·数据来源 | 第67页 |
| ·模型评定准则 | 第67-68页 |
| ·模型的建立 | 第68-70页 |
| ·模拟结果和分析 | 第70-73页 |
| ·模型的精度变化分析 | 第73-77页 |
| ·小结 | 第77-78页 |
| 第五章 基于GIS的分布式水文模型研究 | 第78-107页 |
| ·产流——SCS模型 | 第78-85页 |
| ·SCS模型的产流计算 | 第79-83页 |
| ·SCS模型汇流计算 | 第83-85页 |
| ·地表水汇流——洪水扩散演进模型 | 第85-90页 |
| ·地下水汇流 | 第90-91页 |
| ·应用实例 | 第91-103页 |
| ·基础数据处理 | 第91-96页 |
| ·产流分析 | 第96-97页 |
| ·汇流分析 | 第97-101页 |
| ·结果分析 | 第101-103页 |
| ·洪水扩散演进模型的敏感性分析 | 第103-106页 |
| ·水力半径的影响 | 第103-104页 |
| ·河道糙率系数的影响 | 第104页 |
| ·最小坡度阈值的影响 | 第104-105页 |
| ·河网提取的汇水面积阈值的影响 | 第105-106页 |
| ·小结 | 第106-107页 |
| 第六章 结论与展望 | 第107-109页 |
| ·结论 | 第107-108页 |
| ·展望 | 第108-109页 |
| 参考文献 | 第109-119页 |
| 博士学习期间论文情况 | 第119-120页 |
| 博士学习期间参与的项目及科研活动 | 第120-121页 |
| 致谢 | 第121页 |
