人工神经网络在水质模拟与水质评价中的应用研究
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-11页 |
| 1 绪论 | 第11-21页 |
| ·河流水流模型研究进展及存在问题 | 第11-14页 |
| ·国内外水质模型发展阶段 | 第11-12页 |
| ·现有水质模型存在的问题 | 第12-13页 |
| ·水环境模拟中的不确定性 | 第13-14页 |
| ·水质评价基本方法 | 第14-16页 |
| ·指数评价法 | 第14-15页 |
| ·基于模糊理论的水质评价 | 第15页 |
| ·基于灰色系统理论的水质评价 | 第15-16页 |
| ·神经网络与水质模拟及水质评价结合的优势 | 第16-18页 |
| ·高速计算能力 | 第16页 |
| ·大容量记忆能力 | 第16-17页 |
| ·学习能力 | 第17页 |
| ·容错能力 | 第17-18页 |
| ·神经网络在水质模拟应用研究 | 第18页 |
| ·神经网络在水质评价应用研究 | 第18-20页 |
| ·人工神经网络用于地表水环境质量评价 | 第19页 |
| ·神经网络的富营养化评价进展 | 第19-20页 |
| ·本课题的意义及研究内容 | 第20-21页 |
| 2 人工神经网络模型的建立及模拟 | 第21-38页 |
| ·ANN 模型的基本概念 | 第21-24页 |
| ·模型的概述 | 第21页 |
| ·人工神经网络生物学基础 | 第21-22页 |
| ·网络的拓扑结构 | 第22-24页 |
| ·ANN 模型的建模规则 | 第24-28页 |
| ·模式的顺传播 | 第26-27页 |
| ·误差逆传播 | 第27-28页 |
| ·网络训练参数的选取方法 | 第28-31页 |
| ·隐层数的选取 | 第28页 |
| ·网络训练次数的确定 | 第28-29页 |
| ·选择恰当的激活函数 | 第29-31页 |
| ·目标误差的选取 | 第31页 |
| ·模型的泛化能力及有效性分析 | 第31-32页 |
| ·神经网络水质模拟实例研究 | 第32-37页 |
| ·网络结构的确定 | 第33页 |
| ·神经网络优化算法选择 | 第33-34页 |
| ·神经网络模拟结果 | 第34-37页 |
| ·本章小结 | 第37-38页 |
| 3 富营养化评价神经网络的建立 | 第38-47页 |
| ·三峡库区水体富营养化的特征 | 第38-40页 |
| ·建立富营养化评价神经网络的试验 | 第40-41页 |
| ·训练样本的生成 | 第40页 |
| ·网络结构的确定 | 第40-41页 |
| ·实验结果分析 | 第41-44页 |
| ·弹性BP 算法下各结构网络达标响应次数分析 | 第41-42页 |
| ·LM 算法下各结构网络达标响应次数分析 | 第42-43页 |
| ·网络结构对模拟结果辨识度的影响 | 第43-44页 |
| ·网络结构和算法的确定 | 第44页 |
| ·对龙溪河下游长寿湖的富营养化评价 | 第44-46页 |
| ·本章小结 | 第46-47页 |
| 4 模糊神经网络在三峡水质评价中的应用 | 第47-65页 |
| ·三峡水库水质的单因子评价分析 | 第47-48页 |
| ·三峡水库主要污染物的因子分析 | 第48-53页 |
| ·模糊神经网络评价模型的建立 | 第53-62页 |
| ·模糊系统和神经网络结合的可能性 | 第53-54页 |
| ·人工神经网络与模糊系统的相同之处 | 第54页 |
| ·模糊系统与神经网络的融合 | 第54-56页 |
| ·模糊人工神经网络识别水质评价程序 | 第56-57页 |
| ·样本矩阵和标准指标矩阵的规范化 | 第57-58页 |
| ·多层次多输出模糊人工神经网络识别模型的构建 | 第58-60页 |
| ·水质评价训练样本的生成 | 第60页 |
| ·水质评价训练样本的扩充 | 第60-61页 |
| ·水质评价训练样本的学习及输出 | 第61-62页 |
| ·模糊神经网络对长江干流主要监测断面水质评价 | 第62-64页 |
| ·本章小结 | 第64-65页 |
| 5 水质的灰色神经网络短期预测 | 第65-70页 |
| ·灰色理论概述概述 | 第65页 |
| ·灰色神经网络 | 第65-66页 |
| ·神经网络与灰色系统简单结合 | 第65-66页 |
| ·串联型结合 | 第66页 |
| ·用神经网络增强灰色系统 | 第66页 |
| ·用灰色系统辅助构造神经网络 | 第66页 |
| ·神经网络和灰色系统的完全融合 | 第66页 |
| ·灰色神经网络串联模型的构建 | 第66-69页 |
| ·灰色神经网络串联模型在水质短期预测中的应用 | 第67-68页 |
| ·利用人工神经网络改进预测值 | 第68-69页 |
| ·结果检验 | 第69页 |
| ·本章小结 | 第69-70页 |
| 6 结论与展望 | 第70-72页 |
| ·结论 | 第70-71页 |
| ·展望 | 第71-72页 |
| 致谢 | 第72-73页 |
| 参考文献 | 第73-78页 |
| 附录 | 第78-80页 |
| 作者在攻读硕士学位期间发表的论文目录 | 第78-80页 |
