| 摘要 | 第7-8页 |
| Abstract | 第8-9页 |
| 1 绪论 | 第10-20页 |
| 1.1 研究的目的和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-16页 |
| 1.2.1 国外研究进展 | 第11-14页 |
| 1.2.2 国内研究进展 | 第14-16页 |
| 1.3 研究的主要内容及方法 | 第16-20页 |
| 1.3.1 研究方案 | 第16-17页 |
| 1.3.2 研究内容 | 第17页 |
| 1.3.3 技术路线 | 第17-20页 |
| 2 神经网络基础理论 | 第20-32页 |
| 2.1 人工神经网络 | 第20-24页 |
| 2.1.1 人工神经网络的发展历史 | 第20-21页 |
| 2.1.2 人工神经元模型 | 第21-22页 |
| 2.1.3 人工神经网络的工作和学习 | 第22-23页 |
| 2.1.4 人工神经网络的学习算法 | 第23-24页 |
| 2.2 RBF神经网络 | 第24-27页 |
| 2.2.1 RBF神经网络结构 | 第25-27页 |
| 2.2.2 RBF神经网络的学习算法 | 第27页 |
| 2.3 BP神经网络 | 第27-30页 |
| 2.3.1 BP神经网络结构 | 第28-29页 |
| 2.3.2 BP神经网络学习算法 | 第29-30页 |
| 2.4 本章小结 | 第30-32页 |
| 3 建立地下水位预测仿真模型 | 第32-46页 |
| 3.1 参数的选择获取及数据处理 | 第32-34页 |
| 3.1.1 数据处理 | 第32-34页 |
| 3.1.2 预测对比精度准则 | 第34页 |
| 3.2 BP神经网络模型的建立 | 第34-39页 |
| 3.2.1 BP网络神经元模型 | 第35页 |
| 3.2.2 BP神经网络参数选择 | 第35-37页 |
| 3.2.3 建立BP神经网络仿真模型 | 第37-39页 |
| 3.3 建立地下水位预测的RBF仿真模型 | 第39-44页 |
| 3.3.1 RBF神经网络神经元模型 | 第39页 |
| 3.3.2 RBF神经网络创建函数的选择 | 第39-40页 |
| 3.3.3 扩展函数的选择 | 第40-41页 |
| 3.3.4 建立RBF神经网络仿真模型 | 第41-43页 |
| 3.3.5 RBF神经网络和BP神经网络的对比 | 第43-44页 |
| 3.4 本章小结 | 第44-46页 |
| 4 基于QPSO算法优化RBF神经网络 | 第46-58页 |
| 4.1 粒子群算法 | 第46-49页 |
| 4.1.1 粒子群算法的运算过程 | 第46-47页 |
| 4.1.2 粒子群算法的基本流程及缺点 | 第47-49页 |
| 4.2 具有量子行为的粒子群算法(QPSO) | 第49-53页 |
| 4.2.1 量子行为粒子群算法描述 | 第51-52页 |
| 4.2.2 量子行为粒子群算法和粒子群算法的比较 | 第52-53页 |
| 4.3 基于QPSO优化RBF神经网络地下水位预测仿真 | 第53-56页 |
| 4.3.1 网络参数优化过程 | 第53-54页 |
| 4.3.2 建立地下水位预测模型 | 第54-56页 |
| 4.4 本章小结 | 第56-58页 |
| 5 地下水位预测仿真平台实现 | 第58-62页 |
| 5.1 GUI介绍 | 第58-59页 |
| 5.2 地下水位预测仿真平台 | 第59-61页 |
| 5.3 本章小结 | 第61-62页 |
| 6 结论与展望 | 第62-64页 |
| 6.1 结论 | 第62页 |
| 6.2 展望 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 致谢 | 第68-70页 |
| 个人简历 | 第70页 |