| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 课题研究的背景及意义 | 第10-12页 |
| 1.1.1 研究背景 | 第10-11页 |
| 1.1.2 研究意义 | 第11-12页 |
| 1.2 国内外研究与发展现状 | 第12-13页 |
| 1.2.1 传统预测方法 | 第12-13页 |
| 1.2.2 非线性理论预测方法 | 第13页 |
| 1.3 论文的组织结构 | 第13-15页 |
| 第2章 混沌理论及在江河涌潮预报中的应用 | 第15-28页 |
| 2.1 混沌学概论 | 第15-16页 |
| 2.2 水文系统的相空间重构 | 第16-19页 |
| 2.2.1 相空间重构概论 | 第16-17页 |
| 2.2.2 关联维数定义 | 第17-18页 |
| 2.2.3 饱和关联维数法 | 第18-19页 |
| 2.3 Lyapunov指数法 | 第19-22页 |
| 2.3.1 Lyapunov指数定义 | 第19-20页 |
| 2.3.2 Wolf法 | 第20-21页 |
| 2.3.3 小数据量法 | 第21-22页 |
| 2.4 实际涌潮系统混沌特性识别 | 第22-27页 |
| 2.4.1 相空间重构技术 | 第22-25页 |
| 2.4.2 最大Lyapunov指数 | 第25-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第3章 人工神经网络在江河涌潮预报中的应用 | 第28-40页 |
| 3.1 BP神经网络应用研究 | 第28-32页 |
| 3.1.1 BP神经网络原理及结构 | 第28-30页 |
| 3.1.2 BP神经网络设计过程 | 第30-32页 |
| 3.2 支持向量机（SVM）应用研究 | 第32-35页 |
| 3.2.1 支持向量机理论基础 | 第32-35页 |
| 3.2.2 支持向量机回归预测模型 | 第35页 |
| 3.3 实例分析 | 第35-39页 |
| 3.3.1 基于BP神经网络的钱塘江涌潮潮时预报 | 第35-37页 |
| 3.3.2 基于SVM的钱塘江涌潮潮位预报 | 第37-39页 |
| 3.4 本章小结 | 第39-40页 |
| 第4章 基于混沌优化BP神经网络的江河涌潮短期预报模型及在钱塘江的应用 | 第40-52页 |
| 4.1 钱塘江涌潮自动检测模块 | 第40-45页 |
| 4.1.1 水位检测 | 第40-41页 |
| 4.1.2 流速检测 | 第41-43页 |
| 4.1.3 涌潮检测平台 | 第43-45页 |
| 4.2 到潮时差序列的相空间重构 | 第45-49页 |
| 4.3 实验结果及分析 | 第49-50页 |
| 4.4 本章小结 | 第50-52页 |
| 第5章 基于混沌优化支持向量机的江河涌潮潮位短期预报模型及在钱塘江的应用 | 第52-56页 |
| 5.1 潮位序列的相空间重构 | 第52-54页 |
| 5.2 实验结果及分析 | 第54-55页 |
| 5.3 本章小结 | 第55-56页 |
| 第6章 结论与展望 | 第56-58页 |
| 6.1 工作总结 | 第56-57页 |
| 6.2 研究展望 | 第57-58页 |
| 致谢 | 第58-59页 |
| 参考文献 | 第59-62页 |
| 附录 | 第62页 |