| 摘要 | 第1-7页 |
| ABSTRACT | 第7-13页 |
| 1 绪论 | 第13-28页 |
| ·水体富营养化与藻类水华问题 | 第13-16页 |
| ·水体富营养化 | 第13-15页 |
| ·藻类水华问题 | 第15-16页 |
| ·藻类水华（藻生物量）建模研究的目的 | 第16页 |
| ·藻类水华（藻生物量）建模的研究概况 | 第16-25页 |
| ·神经网络模型及其应用的研究概况 | 第16-18页 |
| ·藻类水华建模的研究概况 | 第18-24页 |
| ·敏感分析技术及其应用的研究概况 | 第24-25页 |
| ·论文的研究内容 | 第25-26页 |
| ·研究的技术方案 | 第26页 |
| ·理论研究 | 第26页 |
| ·数值计算 | 第26页 |
| ·技术方案 | 第26页 |
| ·论文章节内容 | 第26-28页 |
| 2 利用人工神经网络预测并探索滇池中微囊藻生物量的动力学特性 | 第28-55页 |
| ·引言 | 第29-30页 |
| ·滇池与研究数据 | 第30-36页 |
| ·方法 | 第36-42页 |
| ·网络结构 | 第36-38页 |
| ·网络训练 | 第38-40页 |
| ·数据集（输入输出样本） | 第40-41页 |
| ·模型检验和基于神经网络的敏感分析方法 | 第41-42页 |
| ·结果与讨论 | 第42-54页 |
| ·训练获得的神经网络及其校验 | 第42-44页 |
| ·敏感分析结果 | 第44-48页 |
| ·藻生物量与各环境因素之间的关系 | 第48-54页 |
| ·结论 | 第54-55页 |
| 3 澳大利亚 Darling 河的水华建模研究-基于 RBF 神经网络方法 | 第55-74页 |
| ·引言 | 第55-58页 |
| ·数据与方法 | 第58-66页 |
| ·模型输入 | 第65页 |
| ·模型训练 | 第65-66页 |
| ·模型校验和敏感分析 | 第66页 |
| ·结果与讨论 | 第66-73页 |
| ·预测结果 | 第67-69页 |
| ·敏感分析结果 | 第69-70页 |
| ·藻类生物量变化与环境变量变化的关系 | 第70-73页 |
| ·结论 | 第73-74页 |
| 4 预测澳大利亚 Darling 河 Nostocales 藻生物量-基于结合时间窗口技术的神经网络方法 | 第74-91页 |
| ·引言 | 第74-75页 |
| ·方法 | 第75-84页 |
| ·数据 | 第75-77页 |
| ·什么是非平稳性 | 第77页 |
| ·Darling 河Nostocales 藻（Nostocales spp.）生物量时间序列是非平稳的.. | 第77-79页 |
| ·过去相关研究没有考虑藻类生物量变化的非平稳性 | 第79-80页 |
| ·移动时间窗口技术 | 第80页 |
| ·径向基函数神经网络 | 第80-83页 |
| ·模型的实现 | 第83-84页 |
| ·结果与讨论 | 第84-89页 |
| ·结论 | 第89-91页 |
| 5 结论与展望 | 第91-96页 |
| ·结论 | 第91-95页 |
| ·展望 | 第95-96页 |
| 致谢 | 第96-97页 |
| 参考文献 | 第97-110页 |
| 附录 攻读博士期间已发表（或录用）的学术论文 | 第110页 |
