| 摘要 | 第1-4页 |
| Abstract | 第4-11页 |
| 1 绪论 | 第11-16页 |
| ·研究目的与意义 | 第11页 |
| ·国内外研究现状及应用 | 第11-14页 |
| ·混沌理论的研究现状及应用 | 第11-12页 |
| ·混沌时间序列的研究现状及应用 | 第12页 |
| ·LS-SVM模型的研究现状及应用 | 第12-13页 |
| ·RBF神经网络模型的研究现状及应用 | 第13页 |
| ·ARIMA模型的研究现状及应用 | 第13-14页 |
| ·论文研究内容及技术路线 | 第14-16页 |
| ·研究内容 | 第14-15页 |
| ·本文的主要探索及创新点 | 第15页 |
| ·技术路线 | 第15-16页 |
| 2 研究区基本概况、降雨径流关系及其趋势分析 | 第16-22页 |
| ·研究区地理位置 | 第16-17页 |
| ·研究区经济状况 | 第17-18页 |
| ·研究区气候特征及植被分布 | 第18-19页 |
| ·降雨与径流的关系 | 第19-22页 |
| 3 基于混沌理论的水文时间序列预测方法研究 | 第22-39页 |
| ·相空间重构 | 第22-25页 |
| ·延迟时间的选取 | 第23-24页 |
| ·嵌入维数的选取 | 第24-25页 |
| ·水文系统的混沌特性判别 | 第25-30页 |
| ·饱和关联维数法 | 第26页 |
| ·最大Lyapunov指数法 | 第26-30页 |
| ·Kolmogorov熵法 | 第30页 |
| ·呼伦湖流域月降雨径流时间序列的相空间重构及混沌特性识别 | 第30-38页 |
| ·基本资料 | 第30-32页 |
| ·相空间重构 | 第32-36页 |
| ·混沌识别 | 第36-38页 |
| ·本章小结 | 第38-39页 |
| 4 基于最小二乘支持向量机的混沌时间序列预测研究 | 第39-65页 |
| ·基于支持向量机的混沌时间序列预测研究 | 第39-47页 |
| ·支持问量机的基本原理 | 第39-41页 |
| ·支持向量机的回归算法及其实现 | 第41-44页 |
| ·核函数 | 第44-45页 |
| ·支持向量机参数及其选取方法 | 第45-46页 |
| ·基于支持向量机的混沌时间序列预测模型 | 第46页 |
| ·SVM的特点 | 第46-47页 |
| ·基于最小二乘支持向量机的混沌时间序列预测研究 | 第47-55页 |
| ·最小二乘支持向量机原理 | 第47-49页 |
| ·混沌时间序列的最小二乘支持向量机预测模型 | 第49-51页 |
| ·模型参数的选取 | 第51-52页 |
| ·模型预测性能评价指标 | 第52页 |
| ·LS-SVM模型的应用 | 第52-55页 |
| ·基于RBF神经网络的混沌时间序列预测研究 | 第55-60页 |
| ·RBF神经网络的基本原理 | 第55-56页 |
| ·RBF神经网络的学习算法 | 第56-57页 |
| ·DPS数据处理系统 | 第57-58页 |
| ·RBF神经网络模型的应用 | 第58-60页 |
| ·LS-SVM和RBF神经网络模型对比分析 | 第60-64页 |
| ·本章小结 | 第64-65页 |
| 5 基于ARIMA模型的呼伦湖流域水文时间序列预测分析 | 第65-80页 |
| ·ARIMA模型的基本原理 | 第65-66页 |
| ·ARIMA模型的建模步骤 | 第66-68页 |
| ·ARIMA模型在呼伦湖流域的水文时间序列预测中的应用研究 | 第68-77页 |
| ·ARIMA模型与LS-SVM模型和RBF模型对比分析 | 第77-79页 |
| ·本章小结 | 第79-80页 |
| 6 结论与展望 | 第80-82页 |
| ·结论 | 第80页 |
| ·展望 | 第80-82页 |
| 致谢 | 第82-83页 |
| 参考文献 | 第83-87页 |
| 作者简介 | 第87页 |
