基于神经网络的灌区闸门优化配水方法试验研究
| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 主要符号表 | 第5-8页 |
| 第1章 绪论 | 第8-16页 |
| 1.1 研究意义 | 第8-9页 |
| 1.2 依托项目介绍 | 第9-10页 |
| 1.3 灌区优化配水研究现状 | 第10-15页 |
| 1.3.1 灌区优化配水模型研究现状 | 第10-13页 |
| 1.3.2 渠系优化配水研究现状 | 第13-14页 |
| 1.3.3 小结 | 第14-15页 |
| 1.4 本文主要研究内容 | 第15-16页 |
| 第2章 模型试验设计 | 第16-23页 |
| 2.1 模型选取 | 第16页 |
| 2.2 试验模型介绍 | 第16-19页 |
| 2.2.1 干渠建筑物 | 第18页 |
| 2.2.2 梯型渠道 | 第18页 |
| 2.2.3 U 型渠道 | 第18-19页 |
| 2.3 试验原理 | 第19-23页 |
| 2.3.1 试验假设 | 第19页 |
| 2.3.2 试验方案 | 第19-20页 |
| 2.3.3 试验步骤 | 第20-23页 |
| 第3章 基于 BP 神经网络的优化模型 | 第23-32页 |
| 3.1 神经网络研究背景 | 第23-24页 |
| 3.2 BP 神经网络模型结构 | 第24-27页 |
| 3.2.1 人工神经元模型 | 第24页 |
| 3.2.2 BP 网络结构 | 第24-27页 |
| 3.3 BP 神经网络模型建立 | 第27-31页 |
| 3.3.1 样本数据的预处理 | 第27页 |
| 3.3.2 网络结构的确定 | 第27-29页 |
| 3.3.3 初始权值设置 | 第29页 |
| 3.3.4 传递函数 | 第29页 |
| 3.3.5 网络优化算法 | 第29-30页 |
| 3.3.6 神经网络模型的训练 | 第30-31页 |
| 3.4 效果分析 | 第31-32页 |
| 第4章 基于支持向量机模型的优化模型 | 第32-49页 |
| 4.1 支持向量机概述 | 第32-36页 |
| 4.1.1 支持向量机原理 | 第32-34页 |
| 4.1.2 支持向量机回归原理 | 第34-36页 |
| 4.1.3 小结 | 第36页 |
| 4.2 基于 SVM 的两种参数优化方法建模 | 第36-46页 |
| 4.2.1 建模前期工作 | 第36-37页 |
| 4.2.2 SVM 模型的网格算法优化 | 第37-41页 |
| 4.2.3 SVM 模型的遗传算法优化 | 第41-46页 |
| 4.3 效果分析 | 第46-49页 |
| 4.3.1 整体回归误差 | 第46页 |
| 4.3.2 训练时间 | 第46-47页 |
| 4.3.3 回归离散程度 | 第47页 |
| 4.3.4 小结 | 第47-49页 |
| 第5章 两优化模型的对比验证实验 | 第49-55页 |
| 5.1 模型的模拟效果对比分析 | 第49-51页 |
| 5.2 验证实验对比分析 | 第51-52页 |
| 5.3 优化效果分析 | 第52-54页 |
| 5.4 小结 | 第54-55页 |
| 第6章 总结与展望 | 第55-56页 |
| 6.1 总结 | 第55页 |
| 6.2 展望 | 第55-56页 |
| 参考文献 | 第56-59页 |
| 在学期间发表的学术论文及其他成果 | 第59-60页 |
| 在学期间参及工程项目研究工作 | 第60-61页 |
| 致谢 | 第61页 |
