| 第一章 绪论 | 第9-21页 |
| 1.1 现代洪水预报技术概述 | 第10-14页 |
| 1.1.1 现代洪水预报技术的发展背景与任务 | 第10-11页 |
| 1.1.2 现代洪水预报的方法 | 第11-12页 |
| 1.1.2.1 传统洪水预报方法 | 第11页 |
| 1.1.2.2 引入系统理论的洪水预报方法 | 第11-12页 |
| 1.1.2.3 洪水实时预报 | 第12页 |
| 1.1.3 我国现代洪水预报技术研究的情况 | 第12-13页 |
| 1.1.4 现代水情自动测报系统 | 第13-14页 |
| 1.2 机器学习技术及其在水文预报上的应用 | 第14-18页 |
| 1.2.1 人工神经网络简介 | 第14-15页 |
| 1.2.2 人工神经网络的工作方式 | 第15页 |
| 1.2.3 人工神经网络在水利方面的应用 | 第15-18页 |
| 1.3 人工神经网络存在的问题与不足 | 第18-19页 |
| 1.4 本论文的组织结构 | 第19-20页 |
| 1.5 本论文的主要创新点 | 第20-21页 |
| 第二章 Elman型人工神经网络及其基本特性 | 第21-28页 |
| 2.1 Elman型人工神经网络 | 第21-25页 |
| 2.1.1 Elman型人工神经网络的基本构造 | 第21-22页 |
| 2.1.2 Elman型人工神经网络的学习算法 | 第22-25页 |
| 2.1.3 Elman型人工神经网络的特点 | 第25页 |
| 2.2 Elman型人工神经网络的收敛性分析 | 第25-27页 |
| 2.2.1 离散时间的非线性系统的Lyapunov稳定性 | 第25-27页 |
| 2.2.2 Elman型人工神经网络的收敛性 | 第27页 |
| 2.3 本章小结 | 第27-28页 |
| 第三章 基于Elman型人工神经网络的洪水预报模型 | 第28-44页 |
| 3.1 初始数据的预处理 | 第28-30页 |
| 3.1.1 无效数据的剔除与缺失数据的补充 | 第28页 |
| 3.1.2 数据的归一化处理 | 第28-29页 |
| 3.1.3 数据的降噪处理 | 第29-30页 |
| 3.2 模型层数和节点数的选择 | 第30-31页 |
| 3.3 模型训练程度控制 | 第31-33页 |
| 3.4 工程实例 | 第33-43页 |
| 3.4.1 工程概况及建模 | 第33-35页 |
| 3.4.2 计算结果 | 第35-40页 |
| 3.4.3 结果分析 | 第40-43页 |
| 3.5 本章小结 | 第43-44页 |
| 第四章 改进型Elman人工神经网络模型 | 第44-63页 |
| 4.1 引入因素分析法的Elman型人工神经网络模型 | 第44-51页 |
| 4.1.1 因素分析法(PCA)简介 | 第44-45页 |
| 4.1.2 引入因素分析法的Elman型人工神经网络模型 | 第45-46页 |
| 4.1.3 引入因素分析法的Elman型人工神经网络模型的STA训练方法 | 第46-48页 |
| 4.1.4 应用实例 | 第48-51页 |
| 4.1.5 结论 | 第51页 |
| 4.2 添加自联反馈增益的改进型Elman型人工神经网络模型 | 第51-52页 |
| 4.3 复合型Elman人工神经网络模型 | 第52-62页 |
| 4.3.1 流量信息与降雨信息分离的复合型Elman人工神经网络洪水预报模型 | 第53-58页 |
| 4.3.2 分区建模的复合型Elman人工神经网络洪水预报模型 | 第58-61页 |
| 4.3.3 复合型人工神经网络洪水预报模型讨论 | 第61-62页 |
| 4.4 本章小结 | 第62-63页 |
| 第五章 统计学习理论与支持向量机 | 第63-79页 |
| 5.1 学习问题的表示 | 第63-65页 |
| 5.1.1 函数估计模型 | 第63页 |
| 5.1.2 风险最小化问题 | 第63-64页 |
| 5.1.3 学习问题的一般表示 | 第64页 |
| 5.1.4 经验风险最小化归纳原则 | 第64-65页 |
| 5.2 统计学习理 | 第65-68页 |
| 5.2.1 VC维 | 第66-67页 |
| 5.2.2 推广性的界 | 第67页 |
| 5.2.3 结构风险最小化 | 第67-68页 |
| 5.3 支持向量机 | 第68-78页 |
| 5.3.1 广义最优分类面 | 第69-71页 |
| 5.3.2 支持向量机 | 第71-72页 |
| 5.3.3 核函数 | 第72页 |
| 5.3.4 用于函数拟合的支持向量机 | 第72-76页 |
| 5.3.5 优化算法 | 第76-77页 |
| 5.3.6 支持向量机的特点 | 第77-78页 |
| 5.4 本章小结 | 第78-79页 |
| 第六章 基于支持向量机的洪水预报模型的实现 | 第79-102页 |
| 6.1 模型核函数及参数的选择 | 第79-80页 |
| 6.2 固定训练样本集的SVM洪水预报模型 | 第80-86页 |
| 6.3 固定训练样本集长度的动态递推SVM洪水预报模型 | 第86-90页 |
| 6.4 带记忆的动态递推SVM洪水预报模型 | 第90-98页 |
| 6.5 对基于支持向量机的洪水预报模型的综合评价 | 第98-99页 |
| 6.6 基于支持向量机与基于Elman型人工神经网络的洪水预报模型对比 | 第99-101页 |
| 6.7 本章小结 | 第101-102页 |
| 第七章 洪水预报模型的预评估机模型初探 | 第102-111页 |
| 7.1 洪水预报模型预评估机模型概述 | 第102-104页 |
| 7.1.1 洪水预报模型预评估机的概念 | 第102-103页 |
| 7.1.2 洪水预报模型预评估机的作用 | 第103页 |
| 7.1.3 洪水预报模型预评估机模型的特性 | 第103-104页 |
| 7.2 洪水预报模型预评估机模型 | 第104-109页 |
| 7.2.1 基于相似系数的预评估机模型 | 第104-106页 |
| 7.2.2 基于人工神经网络的预评估机模型 | 第106-108页 |
| 7.2.3 基于支持向量机的预评估机模型 | 第108-109页 |
| 7.3 关于洪水预报模型预评估机模型的讨论 | 第109-110页 |
| 7.3.1 建立预评估机模型仍存在的困难 | 第109-110页 |
| 7.3.2 关于预评估机模型仍需要做的工作 | 第110页 |
| 7.4 本章小结 | 第110-111页 |
| 第八章 结论与展望 | 第111-114页 |
| 参考文献 | 第114-120页 |
| 致谢 | 第120-121页 |
