| 摘要 | 第7-9页 |
| ABSTRACT | 第9-15页 |
| 第一章绪论 | 第15-25页 |
| 1.1研究目的及意义 | 第15-16页 |
| 1.2国内外研究进展 | 第16-22页 |
| 1.2.1数据驱动模型研究现状 | 第16-22页 |
| 1.2.2存在的问题 | 第22页 |
| 1.3研究内容和技术路线 | 第22-23页 |
| 1.3.1研究内容 | 第22-23页 |
| 1.3.2技术路线 | 第23页 |
| 1.4本章小结 | 第23-25页 |
| 第二章基本理论概述 | 第25-41页 |
| 2.1变模态分解方法的原理与流程 | 第25-27页 |
| 2.1.1VMD算法原理 | 第25-27页 |
| 2.1.2VMD算法步骤 | 第27页 |
| 2.2小波分析 | 第27-28页 |
| 2.3误差反传前馈网络模型 | 第28-32页 |
| 2.3.1人工神经网络 | 第28-29页 |
| 2.3.2误差反传前馈网络 | 第29-32页 |
| 2.4支持向量机 | 第32-35页 |
| 2.5极限学习机 | 第35-39页 |
| 2.5.1极限学习机原理 | 第35-38页 |
| 2.5.2核极限学习机 | 第38-39页 |
| 2.6粒子群优化算法原理 | 第39-41页 |
| 第三章基于VMD分解的地下水埋深序列统计特征分析 | 第41-58页 |
| 3.1研究区概况 | 第41-42页 |
| 3.1.1自然地理特征 | 第41页 |
| 3.1.2气候 | 第41页 |
| 3.1.3地下水概况 | 第41-42页 |
| 3.2研究区站点情况 | 第42-54页 |
| 3.2.1地下水埋深数据特性分析 | 第42-47页 |
| 3.2.2变模态分解方法的应用 | 第47-54页 |
| 3.3模型综合评价指标 | 第54-56页 |
| 3.4本章小结 | 第56-58页 |
| 第四章基于人工神经网络模型的地下水埋深预报 | 第58-75页 |
| 4.1BP神经网络 | 第58-63页 |
| 4.1.1模型的构建 | 第58-59页 |
| 4.1.2结果分析与比较 | 第59-63页 |
| 4.2支持向量机 | 第63-68页 |
| 4.2.1模型的构建 | 第63-64页 |
| 4.2.2结果分析与比较 | 第64-68页 |
| 4.3核极限学习机 | 第68-74页 |
| 4.3.1模型的构建 | 第68-69页 |
| 4.3.2结果分析与比较 | 第69-74页 |
| 4.4本章小结 | 第74-75页 |
| 第五章基于小波消噪的混合预测模型 | 第75-93页 |
| 5.1基于小波消噪的混合预测模型的构建 | 第75-78页 |
| 5.2模型的应用 | 第78-92页 |
| 5.2.1基于小波消噪的BP神经网络混合预报模型 | 第78-82页 |
| 5.2.2基于小波消噪的SVM混合预报模型 | 第82-87页 |
| 5.2.3基于小波消噪的KELM混合预报模型 | 第87-92页 |
| 5.3本章小结 | 第92-93页 |
| 第六章基于VMD分解消噪技术的混合预测模型 | 第93-110页 |
| 6.1基于分解技术的混合预测模型的构建 | 第93-95页 |
| 6.2模型应用 | 第95-109页 |
| 6.2.1基于VMD消噪技术的BP混合预报模型 | 第95-99页 |
| 6.2.2基于VMD消噪技术的SVM混合预报模型 | 第99-104页 |
| 6.2.3基于VMD消噪技术的KELM混合预报模型 | 第104-109页 |
| 6.3本章小结 | 第109-110页 |
| 第七章模型的综合评价 | 第110-112页 |
| 第八章结论与展望 | 第112-115页 |
| 8.1结论 | 第112-113页 |
| 8.2展望 | 第113-115页 |
| 参考文献 | 第115-122页 |
| 致谢 | 第122-123页 |
| 作者简介 | 第123页 |