| 第一章 绪论 | 第1-22页 |
| 1．1 前言 | 第12页 |
| 1．2 水资源模式识别方法 | 第12-16页 |
| 1．3 水资源智能模式识别方法 | 第16-20页 |
| 1．4 本论文研究的主要内容 | 第20-22页 |
| 第二章 基于遗传算法的水资源智能模式识别方法及其应用 | 第22-38页 |
| 2．1 引言 | 第22页 |
| 2．2 遗传算法概述 | 第22-27页 |
| 2．3 基于串并联结构的格雷码加速遗传算法 | 第27-34页 |
| 2．4 基于SS-GAGA的河流水质模型参数智能模式识别方法 | 第34-37页 |
| 2．5 小结 | 第37-38页 |
| 第三章 基于模糊集理论的水资源智能模式识别方法及其应用 | 第38-53页 |
| 3．1 引言 | 第38-39页 |
| 3．2 模糊聚类分析方法 | 第39-41页 |
| 3．3 对应分析方法 | 第41-43页 |
| 3．4 基于模糊C-均值聚类与对应分析方法的智能模式识别方法的建立 | 第43-46页 |
| 3．5 用CFA-FCM模型识别巢湖流域非点源污染物来源 | 第46-48页 |
| 3．6 用CFA-FCM模型识别武汉东湖污染物来源 | 第48-52页 |
| 3．7 小结 | 第52-53页 |
| 第四章 基于人工神经网络的水资源模式识别方法及其应用 | 第53-68页 |
| 4．1 引言 | 第53页 |
| 4．2 人工神经网络概述 | 第53-56页 |
| 4．3 BP网络方法的建立 | 第56-58页 |
| 4．4 用基于BP人工神经网络的模式识别方法预测济南地下水位 | 第58-63页 |
| 4．5 小波网络方法的建立 | 第63-65页 |
| 4．6 用基于小波网络的模式识别方法评价东湖水质现状 | 第65-67页 |
| 4．7 小结 | 第67-68页 |
| 第五章 基于时间序列的水资源智能模式识别方法及其应用 | 第68-83页 |
| 5．1 引言 | 第68-69页 |
| 5．2 遗传门限自回归方法(TAR)的建立 | 第69-71页 |
| 5．3 用遗传门限自回归方法(TAR)预测土壤含水量 | 第71-74页 |
| 5．4 遗传门限混合回归方法(THR)的建立 | 第74-77页 |
| 5．5 用遗传门限混合回归方法(THR)预测济南地下水位动态变化 | 第77-81页 |
| 5．6 小结 | 第81-83页 |
| 第六章 结论与展望 | 第83-85页 |
| 6．1 结论 | 第83-84页 |
| 6．2 展望 | 第84-85页 |
| 参考文献 | 第85-90页 |
