石头河水库年径流预报模型研究
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究目的与意义 | 第10-11页 |
| 1.2 国内外研究进展 | 第11-15页 |
| 1.2.1 流特性研究进展 | 第11-12页 |
| 1.2.2 径流预报因子研究进展 | 第12页 |
| 1.2.3 径流预报方法研究进展 | 第12-15页 |
| 1.2.4 存在问题及发展趋势 | 第15页 |
| 1.3 研究内容 | 第15-16页 |
| 1.4 研究方法 | 第16页 |
| 1.5 技术路线 | 第16-18页 |
| 第二章 研究流域径流预报因子识别 | 第18-32页 |
| 2.1 水库概况 | 第18-19页 |
| 2.1.1 流域自然地理及特征 | 第18-19页 |
| 2.1.2 工程概况 | 第19页 |
| 2.2 水文资料 | 第19-20页 |
| 2.2.1 降水资料 | 第19页 |
| 2.2.2 径流资料 | 第19-20页 |
| 2.3 径流变化特性 | 第20-28页 |
| 2.3.1 年际变化 | 第20-26页 |
| 2.3.2 年内变化 | 第26-28页 |
| 2.4 径流预报因子识别 | 第28-31页 |
| 2.5 本章小结 | 第31-32页 |
| 第三章 基于时间序列的年径流预报模型 | 第32-38页 |
| 3.1 时间序列 | 第32页 |
| 3.1.1 随机过程 | 第32页 |
| 3.1.2 平稳随机过程 | 第32页 |
| 3.2 基于时间序列分析的径流预报模型 | 第32-37页 |
| 3.2.1 时间序列模型 | 第32-33页 |
| 3.2.2 模型识别与建立 | 第33-35页 |
| 3.2.3 模型预报结果及分析 | 第35-37页 |
| 3.3 本章小结 | 第37-38页 |
| 第四章 基于多元回归的年径流预报模型 | 第38-44页 |
| 4.1 多元线性回归 | 第38-39页 |
| 4.1.1 基本原理 | 第38页 |
| 4.1.2 数学模型 | 第38-39页 |
| 4.2 模型建立与预报 | 第39-43页 |
| 4.2.1 基于降水—径流相关的年径流预报模型 | 第39-41页 |
| 4.2.2 多元回归模型建立 | 第41-43页 |
| 4.3 本章小结 | 第43-44页 |
| 第五章 基于BP神经网络的年径流预报模型 | 第44-52页 |
| 5.1 人工神经网络概述 | 第44-45页 |
| 5.1.1 人工神经网络拓扑结构 | 第44页 |
| 5.1.2 神经网络的学习 | 第44-45页 |
| 5.2 BP网络 | 第45页 |
| 5.3 基于BP神经网络的预报模型建立 | 第45-51页 |
| 5.3.1 建模步骤 | 第45-47页 |
| 5.3.2 模型应用及评价 | 第47-51页 |
| 5.4 本章小结 | 第51-52页 |
| 第六章 基于支持向量机的年径流预报模型 | 第52-58页 |
| 6.1 SVM基本原理 | 第52-53页 |
| 6.1.1 SVM基本思想 | 第52页 |
| 6.1.2 SVM算法 | 第52-53页 |
| 6.2 SVM的径流预报模型建立 | 第53-57页 |
| 6.2.1 模型参数 | 第53-54页 |
| 6.2.2 模型建立与评价 | 第54-57页 |
| 6.3 本章小结 | 第57-58页 |
| 第七章 径流预报模型对比 | 第58-60页 |
| 7.1 模型特点 | 第58页 |
| 7.2 模型精度对比 | 第58-60页 |
| 第八章 结论与建议 | 第60-62页 |
| 8.1 结论 | 第60-61页 |
| 8.2 建议 | 第61-62页 |
| 参考文献 | 第62-67页 |
| 致谢 | 第67-68页 |
| 作者简介 | 第68页 |
