| 摘要 | 第1-5页 |
| Abstract | 第5-11页 |
| 1 绪论 | 第11-28页 |
| ·问题的提出 | 第11-12页 |
| ·研究背景和意义 | 第12-13页 |
| ·国内外研究进展 | 第13-21页 |
| ·水文时间序列的研究动态 | 第13-17页 |
| ·混沌理论研究进展 | 第17-19页 |
| ·混沌理论在水文学中的应用进展 | 第19-21页 |
| ·相关研究存在的问题与展望 | 第21-23页 |
| ·存在的问题 | 第21-22页 |
| ·发展前景 | 第22-23页 |
| ·本论文主要研究工作 | 第23-28页 |
| ·本文的研究方法 | 第23页 |
| ·本文结构 | 第23-25页 |
| ·研究的技术路线 | 第25-27页 |
| ·论文的主要创新点 | 第27-28页 |
| 2 黄河流域水文概况及径流变化基本特征 | 第28-36页 |
| ·黄河流域水文概况 | 第28-30页 |
| ·水少沙多 | 第29-30页 |
| ·洪、枯水流量变化悬殊 | 第30页 |
| ·黄河径流基本资料及变化特征 | 第30-35页 |
| ·资料的审查 | 第30-31页 |
| ·黄河径流变化特征 | 第31-35页 |
| ·本章小结 | 第35-36页 |
| 3 河川径流时间序列的相空间重构 | 第36-55页 |
| ·径流序列相空间重构概论 | 第36-37页 |
| ·径流序列相空间重构参数的确定 | 第37-44页 |
| ·嵌入维数的确定方法 | 第37-41页 |
| ·嵌入时间延迟的确定方法 | 第41-44页 |
| ·黄河径流时间序列相空间重构 | 第44-53页 |
| ·基本资料 | 第44页 |
| ·月径流时间序列相空间重构 | 第44-52页 |
| ·日径流时间序列相空间重构 | 第52-53页 |
| ·本章小结 | 第53-55页 |
| 4 河川径流时间序列的混沌特征识别 | 第55-68页 |
| ·混沌的定义 | 第55-56页 |
| ·混沌运动的特征及分类 | 第56-57页 |
| ·混沌运动的特征 | 第56页 |
| ·混沌运动的分类 | 第56-57页 |
| ·混沌理论在径流系统应用的适应性分析 | 第57-58页 |
| ·径流系统混沌特征识别方法 | 第58-63页 |
| ·饱和关联维数 | 第58-59页 |
| ·最大Lyapunov指数 | 第59页 |
| ·Kolmogorov熵 | 第59-60页 |
| ·功率谱 | 第60-61页 |
| ·Poincare截面 | 第61-62页 |
| ·主分量分析 | 第62页 |
| ·径流系统混沌特征识别方法的选择 | 第62-63页 |
| ·黄河径流混沌特征识别 | 第63-67页 |
| ·月径流时间序列混沌特征识别 | 第63-66页 |
| ·日径流时间序列混沌特征识别 | 第66-67页 |
| ·本章小结 | 第67-68页 |
| 5 河川月径流预测的相空间近邻等距模型 | 第68-81页 |
| ·引言 | 第68-70页 |
| ·混沌预测方法简介 | 第70-73页 |
| ·按建模数据的范围划分 | 第70-72页 |
| ·按选择的数学模型划分 | 第72页 |
| ·按照预测步数多少划分 | 第72-73页 |
| ·相空间模式及其在径流预测中的应用 | 第73-79页 |
| ·相空间近邻等距预测模式及改进 | 第73-75页 |
| ·实例检验 | 第75-79页 |
| ·本章小结 | 第79-81页 |
| 6 河川月径流预测的混沌支持向量机模型 | 第81-102页 |
| ·前言 | 第81页 |
| ·机器学习与统计学习理论 | 第81-85页 |
| ·机器学习问题 | 第81-83页 |
| ·统计学习理论 | 第83-85页 |
| ·支持向量机 | 第85-92页 |
| ·广义最优分类面 | 第85-86页 |
| ·支持向量机 | 第86-87页 |
| ·用于函数拟合的支持向量机 | 第87-91页 |
| ·最小二乘支持向量机 | 第91-92页 |
| ·基于混沌理论的最小二乘支持向量机径流预测模型(C-LSSVM) | 第92-101页 |
| ·模型原理 | 第92-94页 |
| ·模型参数的选取 | 第94页 |
| ·模型应用 | 第94-99页 |
| ·月径流量预测C-LSSVM模型的检验 | 第99-100页 |
| ·月径流量预测的C-LSSVM模型与神经网络模型的对比 | 第100-101页 |
| ·本章小结 | 第101-102页 |
| 7 河川日径流预报的混沌神经网络模型 | 第102-113页 |
| ·前言 | 第102-103页 |
| ·神经网络简介 | 第103-105页 |
| ·BP神经网络 | 第105-109页 |
| ·BP网络结构 | 第105-106页 |
| ·BP网络学习算法 | 第106-108页 |
| ·BP网络训练方法 | 第108-109页 |
| ·日径流预报的混沌神经网络模型 | 第109-112页 |
| ·基于相空间重构的神经网络建模方法 | 第109-110页 |
| ·河川日径流预报混沌神经网络模型的结构 | 第110-111页 |
| ·混沌神经网络模型的验证 | 第111-112页 |
| ·本章小结 | 第112-113页 |
| 8 河川径流演变的长程相关性诊断分析及趋势预测 | 第113-122页 |
| ·概述 | 第113-114页 |
| ·长程相关性定义 | 第114-116页 |
| ·自相似性 | 第114-115页 |
| ·长程相关性 | 第115-116页 |
| ·非趋势波动分析方法 | 第116-117页 |
| ·河川径流时间序列非趋势波动分析 | 第117-122页 |
| ·黄河径流的长程相关性分析 | 第117-120页 |
| ·黄河径流的趋势分析及预测 | 第120-121页 |
| ·本章小结 | 第121-122页 |
| 9 结论与展望 | 第122-125页 |
| ·结论 | 第122-123页 |
| ·展望 | 第123-125页 |
| 致谢 | 第125-126页 |
| 参考文献 | 第126-134页 |
| 附录 | 第134-135页 |