基于现代分析技术的水文时间序列预测方法研究
| 摘要 | 第1-4页 |
| Abstract | 第4-9页 |
| 1 绪论 | 第9-20页 |
| ·研究背景及意义 | 第9页 |
| ·水文时间序列分析的研究动态 | 第9-17页 |
| ·随机过程分析方法 | 第9-10页 |
| ·信息熵分析方法 | 第10-11页 |
| ·模糊数学分析方法 | 第11页 |
| ·遗传算法 | 第11-12页 |
| ·人工神经网络 | 第12-13页 |
| ·小波分析 | 第13-14页 |
| ·灰色时间序列分析 | 第14-15页 |
| ·分形分析方法 | 第15页 |
| ·混沌理论 | 第15-16页 |
| ·支持向量机方法 | 第16-17页 |
| ·水文时间序列分析方法的发展趋势 | 第17页 |
| ·论文的研究内容和技术路线 | 第17-18页 |
| ·论文创新点 | 第18-20页 |
| 2 神经网络在水文时间序列预测中的应用研究 | 第20-31页 |
| ·引言 | 第20页 |
| ·人工神经网络方法概述 | 第20-22页 |
| ·变最值的原始资料规范化 | 第22页 |
| ·实例计算 | 第22-30页 |
| ·洪水流量序列预测 | 第22-26页 |
| ·年径流预测 | 第26-29页 |
| ·计算结果分析 | 第29-30页 |
| ·小结 | 第30-31页 |
| 3 连续小波变换在水文时间序列预测中的应用研究 | 第31-46页 |
| ·引言 | 第31页 |
| ·连续小波变换简介 | 第31-34页 |
| ·小波主周期系数加权和模型 | 第34-35页 |
| ·趋势成分的分离 | 第34页 |
| ·周期分析预测 | 第34页 |
| ·随机成分分析 | 第34-35页 |
| ·实例应用 | 第35-44页 |
| ·黄河花园口年径流预测 | 第35-40页 |
| ·千河流域千阳站年径流预测 | 第40-44页 |
| ·Morlet小波系数周期预测的有效区间分析 | 第44-45页 |
| ·小结 | 第45-46页 |
| 4 自记忆模型在水文时间序列预测中的应用研究 | 第46-68页 |
| ·引言 | 第46页 |
| ·一元时间序列反演方法 | 第46-49页 |
| ·自记忆性原理 | 第49-53页 |
| ·记忆函数的引进 | 第49页 |
| ·自记忆方程 | 第49-51页 |
| ·自记忆系数的求解 | 第51-53页 |
| ·水文多元时间序列自记忆模型 | 第53-59页 |
| ·水文二元时间序列反导微分方程 | 第53-57页 |
| ·水文多元时间序列反导微分方程 | 第57-59页 |
| ·水文多元时间序列自记忆方程 | 第59页 |
| ·自记忆预报模型的应用 | 第59-67页 |
| ·洮河旬径流预测 | 第60-63页 |
| ·和田地下水埋深预测 | 第63-67页 |
| ·小结 | 第67-68页 |
| 5 基于混沌理论的水文时间序列预测方法研究 | 第68-90页 |
| ·引言 | 第68页 |
| ·水文时间序列的相空间重构 | 第68-70页 |
| ·水文动力系统的混沌识别 | 第70-71页 |
| ·饱和关联维数法 | 第70页 |
| ·Lyapunov指数法 | 第70-71页 |
| ·混沌神经网络 | 第71-76页 |
| ·混沌神经网络模型结构 | 第72页 |
| ·混沌神经网络在洮河旬径流预测中的应用 | 第72-76页 |
| ·混沌支持向量机 | 第76-81页 |
| ·支持向量回归方法简介 | 第76-79页 |
| ·最小二乘支持向量机 | 第79页 |
| ·混沌支持向量回归模型结构 | 第79-80页 |
| ·混沌支持向量回归在洮河旬径流预测中的应用 | 第80-81页 |
| ·混沌自记忆模型 | 第81-87页 |
| ·相空间动力模式反演方法 | 第82-83页 |
| ·相空间自记忆预报模型 | 第83-84页 |
| ·混沌自记忆模型在洮河旬径流预测中的应用 | 第84-87页 |
| ·各模型预测结果对比分析 | 第87-89页 |
| ·小结 | 第89-90页 |
| 6 总结与展望 | 第90-93页 |
| ·主要研究成果 | 第90-91页 |
| ·展望 | 第91-93页 |
| 致谢 | 第93-94页 |
| 参考文献 | 第94-103页 |
| 附录 | 第103-104页 |
