| 摘要 | 第1-6页 |
| Abstract | 第6-11页 |
| 第一章 绪论 | 第11-29页 |
| ·反问题的背景 | 第11-12页 |
| ·反问题的概念 | 第12-13页 |
| ·反问题的数学表达 | 第13页 |
| ·反问题的求解难点和要点 | 第13-14页 |
| ·工程水力学反问题的分类 | 第14-16页 |
| ·工程水力学反问题的求解方法 | 第16-20页 |
| ·河网糙率反问题 | 第20-24页 |
| ·糙率的重要性 | 第20-21页 |
| ·糙率反演的难点 | 第21-22页 |
| ·糙率反演方法研究现状 | 第22-24页 |
| ·现有研究的不足之处 | 第24页 |
| ·本文研究的主要内容 | 第24-26页 |
| 本章小结 | 第26页 |
| 参考文献 | 第26-29页 |
| 第二章 河网的水动力学模型及计算方法 | 第29-47页 |
| ·水文学方法 | 第30页 |
| ·水力学方法 | 第30-31页 |
| ·有限差分法 | 第31-41页 |
| ·数值离散格式 | 第31-33页 |
| ·边界条件 | 第33-34页 |
| ·隐式差分求解方法 | 第34-41页 |
| ·河网的概化 | 第41-43页 |
| ·河道的概化 | 第41-42页 |
| ·节点的概化 | 第42页 |
| ·区域调蓄概化 | 第42-43页 |
| 本章小结 | 第43-44页 |
| 参考文献 | 第44-47页 |
| 第三章 基于机器学习的糙率直接反演方法 | 第47-67页 |
| ·人工智能、机器学习和数据挖掘 | 第47-52页 |
| ·基本概念 | 第47-49页 |
| ·人工神经网络 | 第49-50页 |
| ·BP网络模型 | 第50-52页 |
| ·基于机器学习的直接反演方法 | 第52-56页 |
| ·直接反演方法 | 第52-54页 |
| ·计算模型 | 第54-56页 |
| ·恒定流中的直接反演 | 第56-61页 |
| ·恒定流态树状河网糙率反演 | 第56-58页 |
| ·恒定流态环状河网糙率反演 | 第58-61页 |
| ·非恒定流中的直接反演 | 第61-65页 |
| ·非恒定流态树状河网糙率反演 | 第61-63页 |
| ·非恒定流态环状河网糙率反演 | 第63-65页 |
| 本章小结 | 第65页 |
| 参考文献 | 第65-67页 |
| 第四章 采用GA-RBF方法的机器学习反演研究 | 第67-93页 |
| ·径向基函数 | 第67-68页 |
| ·径向基神经网络 | 第68-71页 |
| ·网络训练 | 第69页 |
| ·RBF神经网络结构 | 第69-71页 |
| ·聚类分析 | 第71-74页 |
| ·聚类分析中的概念 | 第71-72页 |
| ·K-means算法 | 第72-73页 |
| ·基于K-means聚类算法的RBF网络缺点 | 第73-74页 |
| ·GA优化的RBF网络 | 第74-78页 |
| ·编码方法 | 第74-75页 |
| ·适应值函数 | 第75-76页 |
| ·GA优化采用的算子 | 第76-77页 |
| ·算法主要步骤 | 第77-78页 |
| ·数值算例 | 第78-89页 |
| ·算例1 | 第78-81页 |
| ·算例2 | 第81-84页 |
| ·算例3 | 第84-86页 |
| ·算例4 | 第86-89页 |
| 本章小结 | 第89-90页 |
| 参考文献 | 第90-93页 |
| 第五章 有限测点时序列观测值直接反演 | 第93-109页 |
| ·有限测点直接反演 | 第94-96页 |
| ·计算设定 | 第94页 |
| ·计算结果 | 第94-95页 |
| ·原因分析 | 第95-96页 |
| ·时序列观测值采集方法 | 第96页 |
| ·时序列观测值直接反演 | 第96-100页 |
| ·计算设定 | 第96-97页 |
| ·计算结果 | 第97-98页 |
| ·结果分析 | 第98页 |
| ·原因分析 | 第98-99页 |
| ·基于先验信息的改进 | 第99-100页 |
| ·数值算例 | 第100-104页 |
| ·非恒定流态树状河网糙率反演 | 第100-102页 |
| ·非恒定流态环状河网糙率反演 | 第102-104页 |
| ·基于GA-RBF的时序列观测值反演 | 第104-105页 |
| ·河网工程水文站优化设置 | 第105-108页 |
| ·观测点位置的选择 | 第105-106页 |
| ·观测点数量的选择 | 第106-107页 |
| ·水文站优化策略 | 第107-108页 |
| 本章小结 | 第108页 |
| 参考文献 | 第108-109页 |
| 第六章 基于BP-Bayesian方法的河网糙率反演 | 第109-141页 |
| ·反问题的不适定性 | 第109-110页 |
| ·贝叶斯方法的特质 | 第110-111页 |
| ·贝叶斯定理 | 第111-112页 |
| ·先验信息 | 第112-113页 |
| ·似然函数的构造 | 第113-115页 |
| ·采样方法 | 第115-116页 |
| ·先验概率密度函数的采样 | 第115页 |
| ·后验概率密度函数的采样 | 第115-116页 |
| ·采样算法 | 第116-118页 |
| ·Gibbs算法 | 第117页 |
| ·Metropolis算法 | 第117页 |
| ·Metropolis-Hastings算法 | 第117-118页 |
| ·BP-Bayesian方法 | 第118-120页 |
| ·数值算例 | 第120-137页 |
| ·算例参数设置 | 第120-122页 |
| ·数值算例1 | 第122-124页 |
| ·数值算例2 | 第124-127页 |
| ·数值算例3 | 第127-129页 |
| ·数值算例4 | 第129-131页 |
| ·数值算例5 | 第131-132页 |
| ·数值算例6 | 第132-135页 |
| ·数值算例7 | 第135-137页 |
| ·稳健性评价 | 第137-138页 |
| 本章小结 | 第138-139页 |
| 参考文献 | 第139-141页 |
| 第七章 工程算例 | 第141-151页 |
| ·某平原河网算例 | 第141-144页 |
| ·边界条件及计算参数 | 第144-147页 |
| ·边界条件 | 第144-145页 |
| ·测量数据 | 第145-146页 |
| ·糙率先验信息 | 第146-147页 |
| ·计算过程及结果 | 第147-151页 |
| 第八章 结论与展望 | 第151-155页 |
| ·主要结论和创新点 | 第151-152页 |
| ·进一步研究工作的展望 | 第152-155页 |
| 作者简介及完成的学术论文 | 第155-157页 |
| 致谢 | 第157-158页 |