| 摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 第1章 绪论 | 第8-15页 |
| ·课题的来源、研究背景和意义 | 第8-9页 |
| ·水华及其预测方法研究 | 第9-14页 |
| ·水华的概念 | 第9页 |
| ·水华的影响因素及特点 | 第9-13页 |
| ·水华预测方法的研究现状 | 第13-14页 |
| ·本文研究的主要内容 | 第14-15页 |
| 第2章 基于人工神经网络 ELMAN 的水华短期预测方法研究及应用 | 第15-28页 |
| ·概述 | 第15页 |
| ·ELMAN 人工神经网络 | 第15-17页 |
| ·Elman 网络结构 | 第15-16页 |
| ·Elman 神经元及函数 | 第16-17页 |
| ·Elman 网络的学习算法 | 第17页 |
| ·基于 ELMAN 人工神经网络的水华短期预测模型 | 第17-20页 |
| ·数据预处理 | 第18-19页 |
| ·隐层神经元个数的选择 | 第19-20页 |
| ·网络的参数选择 | 第20页 |
| ·仿真研究 | 第20-27页 |
| ·Elman 预测系统建模 | 第20-21页 |
| ·Elman 建模及其拟合能力分析 | 第21-23页 |
| ·预测结果分析 | 第23-27页 |
| ·本章小结 | 第27-28页 |
| 第3章 基于支持向量机的水华短期预测方法研究 | 第28-49页 |
| ·概述 | 第28页 |
| ·回归型支持向量机 | 第28-32页 |
| ·最优超平面的建立 | 第29-31页 |
| ·非线性回归算法 | 第31-32页 |
| ·常用的核函数 | 第32页 |
| ·LIBSVM 支持向量机 | 第32-34页 |
| ·Libsvm 支持向量机算法 | 第33-34页 |
| ·Libsvm 支持向量机参数选择 | 第34页 |
| ·基于 LIBSVM 支持向量机的水华短期预测模型 | 第34-42页 |
| ·Libsvm 建模 | 第34-36页 |
| ·模型参数的寻优 | 第36-38页 |
| ·Libsvm 短期预测结果分析 | 第38-42页 |
| ·支持向量机模型与神经网络模型对比 | 第42-44页 |
| ·基于 LIBSVM 的信息粒化时序回归预测 | 第44-48页 |
| ·信息粒化简介 | 第44页 |
| ·建立模糊信息粒化的方法模型 | 第44-45页 |
| ·基于模糊信息粒化的回归预测分析 | 第45-48页 |
| ·本章小结 | 第48-49页 |
| 第4章 苏州水源地水华预测系统的实现 | 第49-62页 |
| ·预测系统概述 | 第49页 |
| ·系统的实现 | 第49-53页 |
| ·系统实现的软件介绍 | 第50-51页 |
| ·系统实现的技术 | 第51-53页 |
| ·功能模块介绍及操作界面的使用 | 第53-61页 |
| ·本章小结 | 第61-62页 |
| 第5章 总结与展望 | 第62-64页 |
| ·研究工作总结 | 第62-63页 |
| ·展望 | 第63-64页 |
| 参考文献 | 第64-67页 |
| 攻读硕士学位期间发表的论文 | 第67-68页 |
| 致谢 | 第68页 |
