| 摘要 | 第5-7页 |
| ABSTRACT | 第7-12页 |
| 符号对照表 | 第12-13页 |
| 缩略语对照表 | 第13-16页 |
| 第一章绪论 | 第16-24页 |
| 1.1研究背景及意义 | 第16-17页 |
| 1.2国内外研究进展 | 第17-21页 |
| 1.2.1水文要素分析研究 | 第17-18页 |
| 1.2.2物理过程模型 | 第18-20页 |
| 1.2.3数据驱动模型 | 第20-21页 |
| 1.3人工智能模型的可行性分析 | 第21-22页 |
| 1.4本文的主要贡献与创新 | 第22-23页 |
| 1.5本论文的结构与安排 | 第23-24页 |
| 第二章基本理论与方法 | 第24-38页 |
| 2.1特征选择过程 | 第24-26页 |
| 2.2相关分析方法 | 第26-28页 |
| 2.2.1皮尔逊相关系数 | 第26页 |
| 2.2.2斯皮尔曼相关分析 | 第26-27页 |
| 2.2.3熵和互信息 | 第27-28页 |
| 2.3数据标准化 | 第28-29页 |
| 2.4数据集划分 | 第29-30页 |
| 2.5人工神经网络 | 第30-36页 |
| 2.5.1BP神经网络 | 第30-31页 |
| 2.5.2RNN神经网络 | 第31-32页 |
| 2.5.3LSTM神经网络 | 第32-34页 |
| 2.5.4GRU神经网络 | 第34-36页 |
| 2.6本章小结 | 第36-38页 |
| 第三章研究区域概况及分析 | 第38-46页 |
| 3.1研究区域概况 | 第38-41页 |
| 3.2数据预处理 | 第41-42页 |
| 3.3典型算法预测实验 | 第42-45页 |
| 3.3.1典型算法 | 第43页 |
| 3.3.2实验分析 | 第43-45页 |
| 3.4本章小结 | 第45-46页 |
| 第四章基于互信息的LSTM循环预测模型 | 第46-62页 |
| 4.1特征选择 | 第47-49页 |
| 4.1.1相关性分析 | 第47-48页 |
| 4.1.2数据处理 | 第48-49页 |
| 4.2LSTM循环预测模型建立 | 第49-53页 |
| 4.3模型验证 | 第53-60页 |
| 4.3.1实验环境 | 第53-54页 |
| 4.3.2评估标准 | 第54-55页 |
| 4.3.3仿真结果分析 | 第55-59页 |
| 4.3.4误差分析 | 第59-60页 |
| 4.4本章小结 | 第60-62页 |
| 第五章基于Attention机制的BiGRU多步预测模型 | 第62-76页 |
| 5.1注意力机制 | 第62-66页 |
| 5.1.1编码-解码模型 | 第62-63页 |
| 5.1.2Attention模型 | 第63-66页 |
| 5.2基于Attention机制的BiGRU多步预测模型 | 第66-71页 |
| 5.3模型实验验证 | 第71-75页 |
| 5.4本章小结 | 第75-76页 |
| 第六章总结与展望 | 第76-78页 |
| 6.1总结 | 第76-77页 |
| 6.2展望 | 第77-78页 |
| 参考文献 | 第78-82页 |
| 致谢 | 第82-84页 |
| 作者简介 | 第84-86页 |