| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 课题来源和研究意义 | 第11页 |
| 1.2.1 来源 | 第11页 |
| 1.2.2 意义 | 第11页 |
| 1.3 国内外相关领域的研究现状 | 第11-15页 |
| 1.3.1 水质预测研究现状 | 第11-14页 |
| 1.3.2 RBF神经网络在水质预测中应用现状 | 第14-15页 |
| 1.4 论文结构 | 第15-17页 |
| 1.4.1 研究内容 | 第15页 |
| 1.4.2 论文框架 | 第15-17页 |
| 第二章 RBF神经网络 | 第17-25页 |
| 2.1 人工神经网络 | 第17页 |
| 2.2 RBF神经网络简介 | 第17-20页 |
| 2.2.1 RBF神经网络模型 | 第18-19页 |
| 2.2.2 RBF神经网络工作原理 | 第19-20页 |
| 2.3 RBF神经网络径向基中心的确定 | 第20-21页 |
| 2.4 RBF神经网络学习算法 | 第21-24页 |
| 2.4.1 输入层到隐含层的非线性映射 | 第21-22页 |
| 2.4.2 隐含层到输出层的线性映射 | 第22-23页 |
| 2.4.3 RBF神经网络隐含层和输出层连接权值学习算法 | 第23-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第三章 优化的RBF神经网络算法对比 | 第25-33页 |
| 3.1 递归最小二乘算法 | 第25-28页 |
| 3.2 改进型递归最小二乘算法 | 第28-29页 |
| 3.3 优化算法的收敛性分析 | 第29-30页 |
| 3.4 算法理论对比分析 | 第30-31页 |
| 3.4.1 递归最小二乘算法的不足 | 第30页 |
| 3.4.2 算法异同点 | 第30-31页 |
| 3.5 本章小结 | 第31-33页 |
| 第四章 基于优化的RBF神经网络溶解氧预测模型 | 第33-54页 |
| 4.1 溶解氧的重要性 | 第33-34页 |
| 4.1.1 溶解氧的基本概念 | 第33页 |
| 4.1.2 溶解氧对水产养殖的影响 | 第33-34页 |
| 4.2 溶解氧与其他水质因子相关性分析 | 第34-38页 |
| 4.3 数据来源及样本构成 | 第38-44页 |
| 4.3.1 数据来源 | 第38-42页 |
| 4.3.2 样本构成 | 第42-44页 |
| 4.4 数据样本与预处理 | 第44-46页 |
| 4.5 溶解氧预测模型 | 第46-49页 |
| 4.6 溶解氧预测结果比较及分析 | 第49-53页 |
| 4.6.1 改进型递归最小二乘仿真结果 | 第49-51页 |
| 4.6.2 溶解氧预测结果对比分析 | 第51-53页 |
| 4.7 本章小结 | 第53-54页 |
| 第五章 总结与展望 | 第54-56页 |
| 5.1 主要工作总结 | 第54页 |
| 5.2 本课题需要进一步研究的地方 | 第54-56页 |
| 参考文献 | 第56-59页 |
| 附录 | 第59-60页 |
| 致谢 | 第60页 |