| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 1 绪论 | 第8-15页 |
| 1.1 研究的背景和意义 | 第8-10页 |
| 1.1.1 论文研究背景 | 第8-9页 |
| 1.1.2 论文研究目的和意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 组合预测方法的研究现状 | 第10-11页 |
| 1.2.2 降水量预测的研究现状 | 第11-13页 |
| 1.3 本课题的来源和研究内容 | 第13-15页 |
| 2 预测相关理论 | 第15-36页 |
| 2.1 基于时间序列的预测模型 | 第15-19页 |
| 2.1.1 预测模型的构建 | 第15-17页 |
| 2.1.2 时间序列预测概念 | 第17-18页 |
| 2.1.3 模型构成和研究现状 | 第18-19页 |
| 2.2 组合预测模型分析 | 第19-25页 |
| 2.2.1 组合预测基本原理及意义 | 第19-21页 |
| 2.2.2 组合预测方法的分类 | 第21-23页 |
| 2.2.3 组合预测效果评价指标 | 第23-25页 |
| 2.3 小波神经网络简介 | 第25-28页 |
| 2.3.1 小波分析的基本原理 | 第25-27页 |
| 2.3.2 小波神经网络的基本原理 | 第27-28页 |
| 2.4 人工蚁群的原理阐述 | 第28-31页 |
| 2.4.1 蚁群算法原理分析 | 第28-30页 |
| 2.4.2 蚁群算法模型分类 | 第30-31页 |
| 2.5 灰色预测理论介绍 | 第31-35页 |
| 2.5.1 GM(1,1)模型介绍 | 第31-34页 |
| 2.5.2 传统灰色波形预测机理 | 第34-35页 |
| 2.6 本章小结 | 第35-36页 |
| 3 蚁群算法优化小波神经网络 | 第36-44页 |
| 3.1 水文领域小波网络算法研究 | 第36-37页 |
| 3.2 小波神经网络的优化 | 第37-43页 |
| 3.2.1 蚁群算法的应用研究 | 第37-40页 |
| 3.2.2 优化模型的理论分析 | 第40-41页 |
| 3.2.3 优化模型的实施步骤 | 第41-43页 |
| 3.3 本章小结 | 第43-44页 |
| 4 改进灰色波形预测算法 | 第44-51页 |
| 4.1 改进 NGM(1,1,k) | 第44-49页 |
| 4.1.1 NGM(1,1,k)预测模型研究 | 第44-48页 |
| 4.1.2 改进 NGM(1,1,k)模型 | 第48-49页 |
| 4.2 改进波形预测模型的建立 | 第49-50页 |
| 4.3 本章小结 | 第50-51页 |
| 5 组合预测模型的改进及应用 | 第51-64页 |
| 5.1 改进组合预测模型 | 第51-56页 |
| 5.1.1 组合模型的互补性研究 | 第51-52页 |
| 5.1.2 构建组合模型 | 第52-56页 |
| 5.2 年降水量预测实例分析 | 第56-63页 |
| 5.2.1 数据来源 | 第56页 |
| 5.2.2 优化小波神经网络模型的应用 | 第56-58页 |
| 5.2.3 改进波形预测的应用分析 | 第58-61页 |
| 5.2.4 改进组合模型的应用分析 | 第61-63页 |
| 5.3 本章小结 | 第63-64页 |
| 6 结论与展望 | 第64-65页 |
| 6.1 全文工作总结 | 第64页 |
| 6.2 后续研究工作展望 | 第64-65页 |
| 致谢 | 第65-66页 |
| 参考文献 | 第66-70页 |
| 附录 | 第70页 |
| A. 作者在攻读学位期间发表的论文目录 | 第70页 |
| B. 作者在攻读学位期间取得的科研成果目录以及获得的奖励 | 第70页 |