| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 1 绪论 | 第13-25页 |
| 1.1 研究背景 | 第13-16页 |
| 1.2 研究的目的和意义 | 第16-17页 |
| 1.3 国内外研究现状 | 第17-22页 |
| 1.3.1 模糊理论 | 第17-19页 |
| 1.3.2 人工神经网络 | 第19-21页 |
| 1.3.3 自适应神经网络 | 第21-22页 |
| 1.4 研究基础 | 第22-23页 |
| 1.5 研究内容 | 第23-24页 |
| 1.6 技术路线 | 第24-25页 |
| 2 模糊神经网络的基本理论 | 第25-52页 |
| 2.1 人工神经网络 | 第25-35页 |
| 2.1.1 人工神经网络的概念 | 第25-26页 |
| 2.1.2 人工神经网络的产生与发展 | 第26页 |
| 2.1.3 人工神经网络模型的特点 | 第26-27页 |
| 2.1.4 人工神经元模型 | 第27-28页 |
| 2.1.5 神经网络的学习过程 | 第28-29页 |
| 2.1.6 倒传递神经网络 | 第29-35页 |
| 2.3 模糊理论 | 第35-43页 |
| 2.3.1 模糊集合及其运算规则 | 第35-40页 |
| 2.3.2 模糊关系 | 第40-41页 |
| 2.3.3 模糊逻辑和模糊推理 | 第41-42页 |
| 2.3.4 模糊系统的Mamdani模型 | 第42页 |
| 2.3.5 模糊系统的Takagi-Sugeno模型 | 第42-43页 |
| 2.4 ANFIS网络 | 第43-47页 |
| 2.4.1 ANFIS网络介绍 | 第43-44页 |
| 2.4.2 ANFIS网络结构 | 第44-45页 |
| 2.4.3 ANFIS网络学习算法 | 第45-46页 |
| 2.4.4 ANFIS网络的构建 | 第46-47页 |
| 2.5 基于减法聚类的模糊神经系统建模 | 第47-52页 |
| 2.5.1 模糊聚类简介 | 第47页 |
| 2.5.2 FCM聚类算法 | 第47-49页 |
| 2.5.3 减法聚类算法 | 第49-51页 |
| 2.5.4 基于减法聚类的神经模糊建模 | 第51-52页 |
| 3 构建泵站优化控制模型 | 第52-72页 |
| 3.1 研究区域概况 | 第52-56页 |
| 3.1.1 自然地理概况 | 第52-54页 |
| 3.1.2 水质状况 | 第54-55页 |
| 3.1.3 水文气象 | 第55页 |
| 3.1.4 上塘河配水 | 第55-56页 |
| 3.2 数据概况及预处理 | 第56-58页 |
| 3.3 输入变量选择 | 第58-60页 |
| 3.4 评价指标 | 第60-61页 |
| 3.5 BP模型 | 第61-64页 |
| 3.6 ANFIS模型 | 第64-72页 |
| 3.6.1 ANFIS1模型 | 第64-67页 |
| 3.6.2 ANFIS2模型 | 第67-72页 |
| 4 结果对比与分析 | 第72-90页 |
| 4.1 聚类结果 | 第72-75页 |
| 4.1.1 ANFIS1 | 第72-73页 |
| 4.1.2 ANFIS2 | 第73-75页 |
| 4.2 模型输出结果 | 第75-90页 |
| 4.2.1 隶属函数及模糊规则训练结果 | 第75-79页 |
| 4.2.2 泵站运行结果图 | 第79-83页 |
| 4.2.3 泵站运行误差图 | 第83-86页 |
| 4.2.4 评价指标结果 | 第86-90页 |
| 5 结论与展望 | 第90-92页 |
| 5.1 主要结论 | 第90-91页 |
| 5.2 创新点 | 第91页 |
| 5.3 存在的问题及展望 | 第91-92页 |
| 参考文献 | 第92-97页 |
| 作者简介 | 第97页 |
| 参与项目 | 第97页 |
| 发表文章 | 第97页 |