| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 1 绪论 | 第10-18页 |
| 1.1 引言 | 第10-11页 |
| 1.2 研究现状 | 第11-15页 |
| 1.3 研究目的 | 第15页 |
| 1.4 研究内容 | 第15-16页 |
| 1.5 技术路线 | 第16-18页 |
| 2 人工神经网络的基本理论 | 第18-34页 |
| 2.1 人工神经网络的概念 | 第18-19页 |
| 2.2 人工神经网络的产生与发展 | 第19页 |
| 2.3 人工神经网络的基础 | 第19-24页 |
| 2.3.1 人工神经元 | 第19-20页 |
| 2.3.2 神经网络的学习过程 | 第20-21页 |
| 2.3.3 人工神经网络的常见模型 | 第21-24页 |
| 2.4 倒传递神经网络(Back Propagation Neural Networks,BPNNs) | 第24-34页 |
| 2.4.1 BP网络的架构 | 第24-25页 |
| 2.4.2 BP算法原理 | 第25-28页 |
| 2.4.3 BP网络设计与Matlab建模 | 第28-31页 |
| 2.4.3.1 BP网络设计 | 第28-30页 |
| 2.4.3.2 Matlab建模 | 第30-31页 |
| 2.4.4 BP网络误差分析及优化 | 第31-34页 |
| 3 集合神经网络的基本理论 | 第34-43页 |
| 3.1 集合预报的概念 | 第34页 |
| 3.2 集合预报的原理 | 第34-35页 |
| 3.3 集合预报的应用与产品 | 第35-36页 |
| 3.4 集合神经网络概述 | 第36页 |
| 3.5 集合神经网络的原理 | 第36页 |
| 3.6 集合神经网络方法 | 第36-43页 |
| 3.6.1 产生集合成员 | 第37-39页 |
| 3.6.1.1 初始值扰动技术 | 第37页 |
| 3.6.1.2 网络结构及参数扰动技术 | 第37-38页 |
| 3.6.1.3 重采样技术 | 第38-39页 |
| 3.6.2 整合集合成员 | 第39-43页 |
| 3.6.2.1 算术平均 | 第39-40页 |
| 3.6.2.2 贝叶斯模型加权平均 | 第40-41页 |
| 3.6.2.3 stacking平均 | 第41-43页 |
| 4 构建洪水预报模型 | 第43-55页 |
| 4.1 研究区域概况 | 第43-46页 |
| 4.1.1 龙泉溪流域 | 第43-44页 |
| 4.1.1.1 自然地理概况 | 第43页 |
| 4.1.1.2 水文气象数据概况 | 第43-44页 |
| 4.1.2 金华江流域 | 第44-46页 |
| 4.1.2.1 自然地理概况 | 第44-45页 |
| 4.1.2.1 水文气象数据概况 | 第45-46页 |
| 4.2 构建单一神经网络模型 | 第46-50页 |
| 4.2.1 数据预处理及划分 | 第46-47页 |
| 4.2.2 流域的降雨-径流机制分析 | 第47-48页 |
| 4.2.3 输入变量的选取 | 第48-49页 |
| 4.2.4 网络参数的率定 | 第49-50页 |
| 4.2.5 模型训练及过拟合控制 | 第50页 |
| 4.2.6 模型测试 | 第50页 |
| 4.3 构建集合神经网络模型 | 第50-52页 |
| 4.4 模型总结 | 第52-53页 |
| 4.5 评估指标 | 第53-55页 |
| 5 洪水预报模型应用分析 | 第55-85页 |
| 5.1.龙泉溪流域主要评估指标分析 | 第55-61页 |
| 5.2 金华江流域主要评估指标分析 | 第61-78页 |
| 5.3 龙泉溪流域洪水预报模型与金华江流域洪水预报模型对比 | 第78-85页 |
| 6 结论与展望 | 第85-87页 |
| 6.1 主要结论 | 第85页 |
| 6.2 创新点 | 第85-86页 |
| 6.3 存在问题及展望 | 第86-87页 |
| 参考文献 | 第87-95页 |
| 附录 | 第95-153页 |
| 作者简介 | 第153页 |
| 参与项目 | 第153页 |
| 参与会议 | 第153页 |
| 发表文章 | 第153页 |