| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第9-19页 |
| 1.1 研究背景及意义 | 第9-11页 |
| 1.1.1 研究背景 | 第9-10页 |
| 1.1.2 研究意义 | 第10-11页 |
| 1.2 洪水预报研究现状 | 第11-14页 |
| 1.2.1 国外研究现状 | 第11-12页 |
| 1.2.2 国内研究现状 | 第12-14页 |
| 1.3 自贡区域概况 | 第14-16页 |
| 1.4 论文主要研究内容和结构安排 | 第16-19页 |
| 1.4.1 论文研究内容 | 第16-18页 |
| 1.4.2 文章结构安排 | 第18-19页 |
| 第2章 相关理论和方法 | 第19-37页 |
| 2.1 水文基础知识 | 第19-22页 |
| 2.1.1 水文模型的分类 | 第19-20页 |
| 2.1.2 水文模型的对象分析 | 第20页 |
| 2.1.3 流域拓扑关系 | 第20-22页 |
| 2.2 机器学习原理 | 第22-26页 |
| 2.2.1 机器学习的基础知识 | 第22-24页 |
| 2.2.2 统计学习的基本理论 | 第24-26页 |
| 2.3 标准支持向量机(SVM) | 第26-29页 |
| 2.4 最小二乘法 | 第29-30页 |
| 2.5 BP神经网络 | 第30页 |
| 2.6 最小二乘支持向量机(LS-SVM) | 第30-32页 |
| 2.7 数据误差处理方法 | 第32-36页 |
| 2.7.1 拉依达准则法(3σ) | 第32-33页 |
| 2.7.2 改进的拉依达准则法(3σ) | 第33-35页 |
| 2.7.3 肖维勒准则法(Chauvenet) | 第35-36页 |
| 2.8 本章小结 | 第36-37页 |
| 第3章 基于LS-SVM的河道洪水预测建模 | 第37-57页 |
| 3.1 样本数据误差处理 | 第37-44页 |
| 3.1.1 样本数据误差处理的必要性 | 第37-38页 |
| 3.1.2 误差的分类 | 第38-39页 |
| 3.1.3 水文测验误差的主要特点 | 第39-40页 |
| 3.1.4 异常值剔除算例 | 第40-43页 |
| 3.1.5 数据的归一化处理 | 第43页 |
| 3.1.6 构建样本数据集 | 第43-44页 |
| 3.2 算法选择 | 第44-47页 |
| 3.2.1 不同建模方法 | 第44-46页 |
| 3.2.2 模型输出对比 | 第46-47页 |
| 3.3 LS-SVM预测模型的建立 | 第47-54页 |
| 3.3.1 LS-SVM预测模型核函数及参数的选择 | 第48-53页 |
| 3.3.2 单输入单输出(流量—流量)预测模型 | 第53页 |
| 3.3.3 单输入单输出(水位—水位)预测模型 | 第53-54页 |
| 3.3.4 输入单输出(水位和流量—水位)预测模型 | 第54页 |
| 3.4 本章小结 | 第54-57页 |
| 第4章 实验结果分析 | 第57-63页 |
| 4.1 洪水预报结果评定标准 | 第57-58页 |
| 4.2 预测模型输出数据分析 | 第58-62页 |
| 4.2.1 模型输出数据 | 第58-61页 |
| 4.2.2 结果分析 | 第61-62页 |
| 4.3 本章小结 | 第62-63页 |
| 第5章 总结与展望 | 第63-65页 |
| 5.1 总结 | 第63页 |
| 5.2 展望 | 第63-65页 |
| 致谢 | 第65-67页 |
| 参考文献 | 第67-73页 |
| 附录 硕士期间的学术成果 | 第73-74页 |