| 第一章 绪论 | 第9-28页 |
| 1.1 水文预报的意义和水文预报的要求 | 第9-10页 |
| 1.2 水文研究中的分析方法 | 第10-12页 |
| 1.3 水文模型的分类 | 第12-13页 |
| 1.4 时间序列预测的研究背景及发展现状 | 第13-21页 |
| 1.4.1 时间序列的判别准则 | 第14-15页 |
| 1.4.2 时间序列的传统预测方法 | 第15-16页 |
| 1.4.3 时间序列非线性预测 | 第16-21页 |
| 1.5 本文的研究内容 | 第21-26页 |
| 1.5.1 流域水文模型的研究 | 第21-26页 |
| 1.5.2 现代径流预报软件研制 | 第26页 |
| 1.6 本文创新点 | 第26-28页 |
| 第二章 人工神经网络基本知识 | 第28-44页 |
| 2.1 人工神经网络简述 | 第28-29页 |
| 2.2 人工神经元模型 | 第29页 |
| 2.3 人工神经网络结构类型 | 第29-31页 |
| 2.4 人工神经网络学习方式 | 第31页 |
| 2.5 反向传播学习算法(BP算法) | 第31-43页 |
| 2.5.1 BP算法的数学描述 | 第32-34页 |
| 2.5.2 BP算法存在的问题 | 第34-35页 |
| 2.5.3 BP算法的若干改进措施 | 第35-37页 |
| 2.5.4 BP网络的设计 | 第37-40页 |
| 2.5.5 BP算法误差函数的改进 | 第40-42页 |
| 2.5.6 BP网络预报 | 第42-43页 |
| 2.6 本章小结 | 第43-44页 |
| 第三章 基本遗传算法 | 第44-58页 |
| 3.1 概述 | 第44-46页 |
| 3.2 遗传算法过程介绍 | 第46-52页 |
| 3.3 遗传算法的应用步骤 | 第52-53页 |
| 3.4 遗传算法程序设计与实现 | 第53-56页 |
| 3.4.1 数据结构与遗传算法参数 | 第53页 |
| 3.4.2 随机初始化种群 | 第53-54页 |
| 3.4.3 遗传操作设计 | 第54-56页 |
| 3.5 本章小结 | 第56-58页 |
| 第四章 BP-GA混合算法及在洪水预报中的应用 | 第58-82页 |
| 4.1 引言 | 第58页 |
| 4.2 应用实例简介 | 第58-59页 |
| 4.3 BP网络结构的选定 | 第59-64页 |
| 4.3.1 网络输入输出结点的选取 | 第59-61页 |
| 4.3.2 隐含层数和隐含层节点数的选择 | 第61-62页 |
| 4.3.3 目标函数的选取和权值的调整 | 第62-63页 |
| 4.3.4 数据归一化 | 第63-64页 |
| 4.4 遗传操作 | 第64-65页 |
| 4.4.1 编码方案 | 第64页 |
| 4.4.2 适应度及选择方法 | 第64-65页 |
| 4.4.3 交叉和变异 | 第65页 |
| 4.5 BP与遗传算法(GA)结合 | 第65-66页 |
| 4.6 精度评定 | 第66-67页 |
| 4.7 BP-GA混合模型计算结果 | 第67-81页 |
| 4.8 本章小结 | 第81-82页 |
| 第五章 小波变换及多分辨率分析 | 第82-99页 |
| 5.1 概述 | 第82页 |
| 5.2 连续小波变换 | 第82-85页 |
| 5.3 离散小波变换和标架理论 | 第85-87页 |
| 5.3.1 标架理论 | 第85-86页 |
| 5.3.2 小波标架 | 第86-87页 |
| 5.4 离散小波正交基和多分辨率分析 | 第87-93页 |
| 5.4.1 离散小波正交基 | 第87-88页 |
| 5.4.2 多分辨率分析的基本概念 | 第88页 |
| 5.4.3 Mallat算法 | 第88-92页 |
| 5.4.4 信号重构 | 第92-93页 |
| 5.5 小波函数的构造 | 第93-94页 |
| 5.6 实验结果分析 | 第94-98页 |
| 5.7 本章小结 | 第98-99页 |
| 第六章 小波软阈值降噪在降雨径流模拟中的应用 | 第99-116页 |
| 6.1 概述 | 第99-100页 |
| 6.2 径流时间序列分析 | 第100-101页 |
| 6.3 小波软阈值技术降噪 | 第101-115页 |
| 6.3.1 小波阈值降噪技术 | 第102-104页 |
| 6.3.2 小波软阈值技术降噪及NNBP模型 | 第104-115页 |
| 6.4 本章小结 | 第115-116页 |
| 第七章 混沌理论在降雨径流预报中的应用 | 第116-146页 |
| 7.1 概述 | 第116-117页 |
| 7.2 混沌时间序列的基本概念和理论 | 第117-124页 |
| 7.2.1 相空间重构和Takens定理 | 第117-118页 |
| 7.2.2 吸引子 | 第118-120页 |
| 7.2.3 最大Lyapunov指数 | 第120-121页 |
| 7.2.4 混沌时间序列性质的识别 | 第121页 |
| 7.2.5 混沌时间序列的预测 | 第121-124页 |
| 7.3 混沌与小波理论的结合及HGCM模型 | 第124-138页 |
| 7.3.1 概述 | 第124-126页 |
| 7.3.2 低频项预报方法 | 第126-127页 |
| 7.3.3 高频项预报 | 第127页 |
| 7.3.4 高频项时间延迟τ的选取 | 第127-131页 |
| 7.3.5 高频项嵌入维数的选取 | 第131页 |
| 7.3.6 高频项最大Lyapunov指数的计算 | 第131-134页 |
| 7.3.7 低频项和高频项综合预报结果 | 第134-138页 |
| 7.4 混沌与神经网络的结合 | 第138-145页 |
| 7.4.1 概述 | 第138-139页 |
| 7.4.2 时间延迟τ的选取 | 第139-141页 |
| 7.4.3 嵌入维数选取和最大Lyapunov指数 | 第141-145页 |
| 7.5 小结 | 第145-146页 |
| 第八章 结论与展望 | 第146-151页 |
| 8.1 研究结论与创新点 | 第146-149页 |
| 8.1.1 复杂的水文过程和多种多样的水文模型 | 第146页 |
| 8.1.2 新兴数学工具应用于洪水预报模型研究 | 第146-149页 |
| 8.1.3 软件研制 | 第149页 |
| 8.2 展望 | 第149-151页 |
| 参考文献 | 第151-165页 |
| 致谢 | 第165-166页 |
| 个人简历与研究成果 | 第166页 |