| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-19页 |
| 1.1 研究背景与意义 | 第9-12页 |
| 1.1.1 研究背景 | 第9-10页 |
| 1.1.2 研究意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-16页 |
| 1.2.1 国外研究现状 | 第12-13页 |
| 1.2.2 国内研究现状 | 第13-16页 |
| 1.3 研究目标与内容 | 第16-17页 |
| 1.3.1 研究目标 | 第16页 |
| 1.3.2 研究内容 | 第16-17页 |
| 1.4 研究方法与技术路线图 | 第17-19页 |
| 第2章 山洪灾害损失预测概述 | 第19-24页 |
| 2.1 山洪灾害概述 | 第19-22页 |
| 2.1.1 山洪灾害概念特征 | 第19-20页 |
| 2.1.2 山洪灾害致灾机理 | 第20-22页 |
| 2.2 山洪灾害损失预测评估 | 第22-23页 |
| 2.2.1 山洪灾害损失预测评估的步骤 | 第22页 |
| 2.2.2 山洪灾害损失的分类 | 第22-23页 |
| 2.3 小结 | 第23-24页 |
| 第3章 山洪灾害损失预测指标体系构建 | 第24-31页 |
| 3.1 预测指标体系初判 | 第24-25页 |
| 3.2 粗糙集理论基本原理 | 第25-27页 |
| 3.2.1 粗糙集理论概述 | 第25-26页 |
| 3.2.2 粗糙集理论的重要作用 | 第26-27页 |
| 3.3 预测指标体系约简与优化 | 第27-29页 |
| 3.3.1 连续属性离散化 | 第27-28页 |
| 3.3.2 预测指标约简步骤 | 第28-29页 |
| 3.4 小结 | 第29-31页 |
| 第4章 RBF神经网络损失预测模型 | 第31-38页 |
| 4.1 人工神经网络的发展 | 第31页 |
| 4.2 RBF神经网络的结构和特点 | 第31-33页 |
| 4.2.1 RBF神经网络的结构 | 第31-32页 |
| 4.2.2 RBF神经网络的映射关系 | 第32-33页 |
| 4.3 粗糙集和神经网络的结合的可行性 | 第33-37页 |
| 4.3.1 粗糙集和神经网络的区别 | 第33-34页 |
| 4.3.2 粗糙集和神经网络结合方式 | 第34-36页 |
| 4.3.3 RBF神经网络的映射机理 | 第36页 |
| 4.3.4 RBF神经网络训练算法设计 | 第36-37页 |
| 4.4 小结 | 第37-38页 |
| 第5章 神农架林区山洪灾害损失预测 | 第38-53页 |
| 5.1 研究区域现状与数据来源 | 第38-41页 |
| 5.1.1 研究区域现状 | 第38-41页 |
| 5.1.2 数据来源 | 第41页 |
| 5.2 神农架林区山洪灾害现状 | 第41-45页 |
| 5.2.1 建立样本数据库 | 第42-45页 |
| 5.2.2 基于RS和RBF神经网络山洪灾害损失预测 | 第45页 |
| 5.3 粗糙集数据预处理 | 第45-48页 |
| 5.3.1 预测指标离散化 | 第45-46页 |
| 5.3.2 预测因子优化结果 | 第46-48页 |
| 5.4 预测模型结果与分析 | 第48-52页 |
| 5.4.1 RBF神经网络模型分析 | 第48-51页 |
| 5.4.2 独立样本测试 | 第51-52页 |
| 5.5 小结 | 第52-53页 |
| 第6章 结论与展望 | 第53-55页 |
| 6.1 研究结论与创新点 | 第53-54页 |
| 6.1.1 研究结论 | 第53-54页 |
| 6.1.2 研究创新点 | 第54页 |
| 6.2 展望 | 第54-55页 |
| 参考文献 | 第55-59页 |
| 致谢 | 第59-60页 |