| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第一章 绪论 | 第10-18页 |
| ·研究目的与意义 | 第10页 |
| ·研究目的 | 第10页 |
| ·理论意义 | 第10页 |
| ·实践意义 | 第10页 |
| ·国内外研究现状 | 第10-17页 |
| ·概念性水文模型 | 第11页 |
| ·分布式水文模型 | 第11-12页 |
| ·系统理论模型 | 第12-16页 |
| ·中长期水文预报方法前景展望 | 第16-17页 |
| ·主要研究内容 | 第17-18页 |
| 第二章 预报因子的初步识别 | 第18-24页 |
| ·流域和工程概况 | 第18-20页 |
| ·流域概况 | 第18-19页 |
| ·工程概况 | 第19-20页 |
| ·水文气象资料概况 | 第20页 |
| ·水文资料 | 第20页 |
| ·气象资料 | 第20页 |
| ·预报因子的物理考察 | 第20-21页 |
| ·预报因子的统计分析 | 第21-22页 |
| ·预报因子的初步选择 | 第22-24页 |
| 第三章 模糊模式识别预报 | 第24-40页 |
| ·模糊集理论概述 | 第24页 |
| ·模糊模式识别循环迭代理论与模型 | 第24-27页 |
| ·模糊模式识别预报模型 | 第27-29页 |
| ·预报因子的模糊识别 | 第29-32页 |
| ·预报因子模糊识别原理与步骤 | 第29-30页 |
| ·年最大洪峰流量预报因子的模糊识别 | 第30-31页 |
| ·逐月流量预报因子的模糊识别 | 第31-32页 |
| ·基于模糊模式识别的逐年预报 | 第32-38页 |
| ·基于模糊模式识别的年最大洪峰流量逐年预报 | 第32-34页 |
| ·基于模糊模式识别的逐月流量预报 | 第34-38页 |
| ·本章小结 | 第38-40页 |
| 第四章 人工神经网络预报 | 第40-56页 |
| ·人工神经网络概述 | 第40-41页 |
| ·BP神经网络的基本原理 | 第41-45页 |
| ·BP神经网络结构 | 第41-42页 |
| ·BP学习算法 | 第42-45页 |
| ·BP算法的改进 | 第45-47页 |
| ·Levenberg-Marquardt（LM）BP算法 | 第45-46页 |
| ·自适应BP算法 | 第46-47页 |
| ·BP网络中长期水文预报模型的建立 | 第47-50页 |
| ·样本的预处理 | 第47页 |
| ·收敛准则的选择 | 第47页 |
| ·BP算法的比较研究 | 第47-48页 |
| ·隐含层神经元数的确定 | 第48-50页 |
| ·基于人工神经网络的逐年预报 | 第50-55页 |
| ·基于人工神经网络的年最大洪峰流量预报 | 第50-51页 |
| ·基于人工神经网络的逐月流量预报 | 第51-55页 |
| ·本章小结 | 第55-56页 |
| 第五章 不同模型预报结果的综合比较 | 第56-62页 |
| ·不同模型预报结果汇总 | 第56-61页 |
| ·年最大洪峰流量预报效果汇总 | 第56-57页 |
| ·逐月流量预报效果汇总 | 第57-61页 |
| ·不同模型预报效果分析 | 第61-62页 |
| 第六章 结论与展望 | 第62-64页 |
| ·结论 | 第62页 |
| ·展望 | 第62-64页 |
| 参考文献 | 第64-70页 |
| 致谢 | 第70-71页 |
| 附录A（攻读学位期间发表论文目录） | 第71页 |
| 附录B（攻读学位期间参与的课题） | 第71页 |