| 摘要 | 第4-6页 |
| abstract | 第6-8页 |
| 第1章 绪论 | 第13-24页 |
| 1.1 课题来源 | 第13页 |
| 1.2 论文的研究背景、目的和意义 | 第13-15页 |
| 1.3 相关领域国内外研究现状 | 第15-21页 |
| 1.3.1 径流分析与预测的国内外研究现状 | 第15-20页 |
| 1.3.2 柳江径流研究目前存在的问题 | 第20-21页 |
| 1.4 本文的研究工作和组织结构 | 第21-24页 |
| 第2章 柳江径流小波降噪分析 | 第24-59页 |
| 2.1 柳江径流噪声特点及现有降噪方法存在的问题 | 第24-27页 |
| 2.1.1 柳江径流信号噪声特点 | 第24-25页 |
| 2.1.2 现有降噪方法存在的问题 | 第25-27页 |
| 2.2 基于小波去相关的噪声类型识别 | 第27-35页 |
| 2.2.1 常见噪声的自相关系数 | 第28-29页 |
| 2.2.2 噪声类型检测 | 第29-35页 |
| 2.3 全频降噪必要性分析及自适应阈值确定方法 | 第35-43页 |
| 2.3.1 不同类型噪声的功率谱分布特点 | 第35-37页 |
| 2.3.2 七类噪声随小波分解尺度的能量分布特点 | 第37-38页 |
| 2.3.3 传统的小波阈值选择方法 | 第38-39页 |
| 2.3.4 不同类型噪声小波阈值的确定 | 第39-43页 |
| 2.4 基于噪声类型识别的自适应阈值全频段小波降噪 | 第43-55页 |
| 2.4.1 全频降噪流程与算法 | 第43-46页 |
| 2.4.2 七类噪声降噪效果对比分析 | 第46-53页 |
| 2.4.3 降噪用时分析 | 第53页 |
| 2.4.4 与其他降噪方法比较 | 第53-55页 |
| 2.5 柳江径流数据的实验验证 | 第55-57页 |
| 2.6 本章小结 | 第57-59页 |
| 第3章 柳江径流的混沌特性分析 | 第59-72页 |
| 3.1 柳江径流混沌特性分析的必要性 | 第59页 |
| 3.2 径流的相空间重构 | 第59-63页 |
| 3.2.1 相空间重构 | 第60页 |
| 3.2.2 延迟时间计算 | 第60-61页 |
| 3.2.3 嵌入维数计算 | 第61-63页 |
| 3.3 柳江径流混沌序列的平均周期分析 | 第63-66页 |
| 3.3.1 平均周期的计算方法 | 第63-64页 |
| 3.3.2 实验数据 | 第64-65页 |
| 3.3.3 平均周期计算结果及讨论 | 第65-66页 |
| 3.4 最大LYAPUNOV指数计算 | 第66-67页 |
| 3.5 柳江径流的混沌特性分析 | 第67-71页 |
| 3.5.1 研究对象 | 第67页 |
| 3.5.2 实验结果分析 | 第67-71页 |
| 3.6 本章小结 | 第71-72页 |
| 第4章 柳江径流的小波尺度特性分析 | 第72-93页 |
| 4.1 柳江径流小波分析的必要性分析 | 第72-73页 |
| 4.2 小波分析原理 | 第73-76页 |
| 4.3 柳江径流序列小波分解系数的混沌特性分析 | 第76-83页 |
| 4.4 基于小波尺度的柳江径流周期分析 | 第83-92页 |
| 4.4.1 基于小波尺度的柳江年径流总量序列周期分析 | 第83-85页 |
| 4.4.2 基于小波尺度的柳江月最大流量序列周期分析 | 第85-87页 |
| 4.4.3 基于小波尺度的柳江丰水期与枯水期日水位序列周期分析 | 第87-92页 |
| 4.5 本章小结 | 第92-93页 |
| 第5章 基于神经网络的柳江水位预测建模 | 第93-110页 |
| 5.1 柳江月径流与日径流特点分析 | 第93页 |
| 5.2 传统的径流预测方法 | 第93-94页 |
| 5.3 基于双隐含层BP神经网络的柳江径流预测研究 | 第94-101页 |
| 5.3.1 双隐含层BP神经网络结构 | 第95-96页 |
| 5.3.2 双隐含层BP神经网络模型的实现 | 第96页 |
| 5.3.3 应用实例 | 第96-101页 |
| 5.4 基于遗传算法优化的BP神经网络柳江径流预测研究 | 第101-109页 |
| 5.4.1 遗传算法 | 第101-102页 |
| 5.4.2 遗传算法优化的神经网络模型 | 第102-105页 |
| 5.4.3 应用实例分析 | 第105-109页 |
| 5.5 本章小结 | 第109-110页 |
| 第6章 柳江径流的非线性组合预测 | 第110-142页 |
| 6.1 柳江年径流序列特点分析 | 第110页 |
| 6.2 基于小波分析的柳江径流预测建模 | 第110-118页 |
| 6.2.1 dmey小波与db4小波 | 第111-112页 |
| 6.2.2 柳江径流时间序列时间尺度分析 | 第112-115页 |
| 6.2.3 应用实例分析 | 第115-118页 |
| 6.3 基于小波分析集最优子集回归的柳江水位预测 | 第118-127页 |
| 6.3.1 均生函数与最优子集回归 | 第119页 |
| 6.3.2 小波变换集均生函数-最优子集回归的柳江水位预测算法 | 第119-122页 |
| 6.3.3 应用实例及结果分析 | 第122-126页 |
| 6.3.4 小波变换集均生函数-最优子集回归模型特点 | 第126-127页 |
| 6.4 基于小波变换集神经网络的柳江年径流总量预测 | 第127-132页 |
| 6.4.1 小波变换和遗传算法神经网络集成模型 | 第127-128页 |
| 6.4.2 应用实例及结果分析 | 第128-132页 |
| 6.4.3 小波变换和遗传算法神经网络集成模型特点 | 第132页 |
| 6.5 基于混沌理论、小波分析的柳江径流的非线性预测研究 | 第132-140页 |
| 6.5.1 小波变换、混沌分析和遗传算法神经网络集成模型 | 第133-134页 |
| 6.5.2 应用实例及结果分析 | 第134-138页 |
| 6.5.3 分析讨论 | 第138-140页 |
| 6.5.4 小波变换、混沌分析和遗传算法神经网络集成模型特点 | 第140页 |
| 6.6 本章小结 | 第140-142页 |
| 第7章 总结与展望 | 第142-144页 |
| 7.1 全文工作总结和创新点 | 第142-143页 |
| 7.2 未来工作展望 | 第143-144页 |
| 致谢 | 第144-145页 |
| 参考文献 | 第145-154页 |
| 附录1：攻读博士期间所获得的奖励、发表的论文、专利以及版权 | 第154-155页 |
| 附录2：攻读博士期间主持和参与的科研项目 | 第155页 |
