| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第9-17页 |
| 1.1 研究背景 | 第9页 |
| 1.2 研究目的与意义 | 第9-10页 |
| 1.2.1 研究目的 | 第9-10页 |
| 1.2.2 研究意义 | 第10页 |
| 1.3 国内外研究进展 | 第10-15页 |
| 1.3.1 机器学习-数据挖掘 | 第10-12页 |
| 1.3.2 径流预测模型方法 | 第12-13页 |
| 1.3.3 水文时间序列机器学习建模 | 第13-15页 |
| 1.4 研究主要内容 | 第15页 |
| 1.5 研究方法和技术路线 | 第15-17页 |
| 2 机器学习理论研究 | 第17-59页 |
| 2.1 机器学习基础理论 | 第17-26页 |
| 2.1.1 有监督学习 | 第17-18页 |
| 2.1.2 假设函数 | 第18-19页 |
| 2.1.3 非参数化机器学习 | 第19页 |
| 2.1.4 损失函数 | 第19-20页 |
| 2.1.5 参数优化 | 第20-22页 |
| 2.1.6 过学习与欠学习 | 第22-23页 |
| 2.1.7 偏差与方差之间的权衡 | 第23-25页 |
| 2.1.8 正则化 | 第25-26页 |
| 2.1.9 交叉验证 | 第26页 |
| 2.1.10 线上机器学习 | 第26页 |
| 2.2 支持向量机 | 第26-35页 |
| 2.2.1 结构风险最小化原理 | 第27-28页 |
| 2.2.2 支持向量分类机 | 第28-31页 |
| 2.2.3 支持向量回归机 | 第31-35页 |
| 2.3 梯度迭代决策树 | 第35-43页 |
| 2.3.1 决策树 | 第35-39页 |
| 2.3.2 梯度迭代机 | 第39-42页 |
| 2.3.3 梯度迭代决策树 | 第42-43页 |
| 2.4 深度神经网络 | 第43-58页 |
| 2.4.1 深度前馈网络 | 第43-47页 |
| 2.4.2 反向传播算法 | 第47-50页 |
| 2.4.3 循环神经网络 | 第50-54页 |
| 2.4.4 长短期记忆循环神经网络 | 第54-58页 |
| 2.5 本章小结 | 第58-59页 |
| 3 机器学习建模 | 第59-81页 |
| 3.1 研究区域概况 | 第59-60页 |
| 3.1.1 流域水系分布 | 第59页 |
| 3.1.2 水文气象条件 | 第59-60页 |
| 3.1.3 水资源状况 | 第60页 |
| 3.2 基于机器学习的年径流预测模型 | 第60-69页 |
| 3.2.1 年径流预测SVM模型 | 第60-62页 |
| 3.2.2 年径流预测GBDT模型 | 第62-64页 |
| 3.2.3 年径流预测DNN模型 | 第64-67页 |
| 3.2.4 SVM、GBDT、DNN年预测模型对比评价 | 第67-69页 |
| 3.3 基于机器学习的月径流预测模型 | 第69-79页 |
| 3.3.1 月径流预测SVM模型 | 第69-71页 |
| 3.3.2 月径流预测GBDT模型 | 第71-73页 |
| 3.3.3 月径流预测DNN模型 | 第73-76页 |
| 3.3.4 SVM、GBDT、DNN月预测模型对比评价 | 第76-79页 |
| 3.4 本章小结 | 第79-81页 |
| 4 基于综合集成平台的径流预测集成应用 | 第81-97页 |
| 4.1 系统设计 | 第81-84页 |
| 4.1.1 系统总体架构 | 第81页 |
| 4.1.2 关键技术 | 第81-84页 |
| 4.1.3 系统功能设计 | 第84页 |
| 4.2 系统实现和实例仿真 | 第84-96页 |
| 4.2.1 系统实现流程 | 第90页 |
| 4.2.2 实例仿真 | 第90-96页 |
| 4.3 本章小结 | 第96-97页 |
| 5 结论与展望 | 第97-99页 |
| 5.1 结论 | 第97-98页 |
| 5.2 展望 | 第98-99页 |
| 致谢 | 第99-101页 |
| 参考文献 | 第101-105页 |
| 附录 | 第105页 |