神经网络在洪水预报中的应用研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-23页 |
| 1.1 论文的研究背景 | 第11-13页 |
| 1.2 论文的研究意义 | 第13-14页 |
| 1.3 国内外水文预报的发展和现状 | 第14-16页 |
| 1.3.1 国外研究现状 | 第14-16页 |
| 1.3.2 国内研究现状 | 第16页 |
| 1.4 人工神经网络在水文预报中的应用 | 第16-20页 |
| 1.5 人工神经网络与洪水预报结合的优势 | 第20-21页 |
| 1.6 本文研究的主要目的和内容 | 第21-23页 |
| 1.6.1 研究的主要目的 | 第21页 |
| 1.6.2 研究的主要内容 | 第21-22页 |
| 1.6.3 论文的组织结构 | 第22-23页 |
| 第二章 人工神经网络基本知识 | 第23-37页 |
| 2.1 人工神经网络概述 | 第24-26页 |
| 2.1.1 人工神经网络的概念 | 第24页 |
| 2.1.2 生物神经元 | 第24-25页 |
| 2.1.3 人工神经元 | 第25-26页 |
| 2.2 人工神经网络的发展历程 | 第26-28页 |
| 2.3 人工神经网络原理及工作方式 | 第28-30页 |
| 2.3.1 人工神经网络的原理 | 第28-29页 |
| 2.3.2 神经网络的工作方式 | 第29-30页 |
| 2.4 传递函数及学习规则 | 第30-34页 |
| 2.4.1 传递函数 | 第30-33页 |
| 2.4.2 学习规则 | 第33-34页 |
| 2.5 人工神经网络的分类及主要模型 | 第34-36页 |
| 2.5.1 人工神经网络的分类 | 第34-35页 |
| 2.5.2 常用人工神经网络模型 | 第35-36页 |
| 2.6 本章小结 | 第36-37页 |
| 第三章 BP 神经网络分析 | 第37-48页 |
| 3.1 BP 网络的分析 | 第37-43页 |
| 3.1.1 误差指数 | 第39页 |
| 3.1.2 偏导数误差的计算 | 第39-41页 |
| 3.1.3 反向传播递推网络敏感性 | 第41-43页 |
| 3.2 使用 BP 神经网络建模的注意事项 | 第43-44页 |
| 3.3 BP 网络的缺陷及改进 | 第44-47页 |
| 3.3.1 BP 网络的缺陷 | 第44页 |
| 3.3.2 BP 网络的改进 | 第44-47页 |
| 3.4 本章小结 | 第47-48页 |
| 第四章 BP 神经网络在洪水预报中的应用 | 第48-65页 |
| 4.1 流域概况及其资料分析 | 第48-52页 |
| 4.1.1 流域概况 | 第48-50页 |
| 4.1.2 洪水气候特征 | 第50-51页 |
| 4.1.3 资料分析与整理 | 第51-52页 |
| 4.2 BP 网络洪水预报模型的建立 | 第52-58页 |
| 4.2.1 数据预处理 | 第52-54页 |
| 4.2.2 BP 神经网络设计的基本方法 | 第54页 |
| 4.2.3 模型的设计和建立 | 第54-56页 |
| 4.2.4 模型的训练及分析 | 第56-58页 |
| 4.3 BP 模型预测结果及分析 | 第58-63页 |
| 4.3.1 洪水预报精度评定的规定 | 第58-60页 |
| 4.3.2 预报结果及分析 | 第60-63页 |
| 4.4 预报模型的优缺点 | 第63-64页 |
| 4.5 本章小结 | 第64-65页 |
| 第五章 BP 网络洪水预报模型的优化设计 | 第65-82页 |
| 5.1 遗传算法 | 第65-69页 |
| 5.1.1 遗传算法的简介 | 第65页 |
| 5.1.2 遗传算法的构成要素 | 第65-69页 |
| 5.2 BP 神经网络与遗传算法的结合 | 第69-71页 |
| 5.3 优化预报模型的步骤 | 第71-78页 |
| 5.3.1 步骤一：参数设定和种群初始化 | 第72页 |
| 5.3.2 步骤二：设计适应度函数 | 第72-73页 |
| 5.3.3 步骤三：遗传操作 | 第73-74页 |
| 5.3.4 步骤四：进化终止判断 | 第74页 |
| 5.3.5 步骤五：BP 网络训练 | 第74-78页 |
| 5.4 优化后的模型预报测试 | 第78-80页 |
| 5.5 本章小结 | 第80-82页 |
| 第六章 结论 | 第82-84页 |
| 致谢 | 第84-85页 |
| 参考文献 | 第85-91页 |
| 攻硕期间取得的研究成果 | 第91-92页 |
