| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 1 绪论 | 第8-12页 |
| ·课题研究背景及意义 | 第8页 |
| ·水质评价的研究现状 | 第8-9页 |
| ·神经网络在水质评价中的应用 | 第9-10页 |
| ·本文的研究工作 | 第10-12页 |
| 2 水质评价模型简介 | 第12-16页 |
| ·水质评价的模型 | 第12-14页 |
| ·水质评价的指数平滑模型 | 第12页 |
| ·水质评价的灰色系统模型 | 第12-13页 |
| ·水质评价的神经网络预测模型 | 第13-14页 |
| ·几种水质评价模型分析 | 第14-15页 |
| ·指数平滑模型 | 第14页 |
| ·灰色系统模型 | 第14-15页 |
| ·神经网络预测模型 | 第15页 |
| ·当前水质评价中存在的问题 | 第15-16页 |
| 3 径向基(RBF)神经网络和遗传算法 | 第16-33页 |
| ·RBF神经网络 | 第16-20页 |
| ·RBF神经网络的原理及基本思想 | 第16-19页 |
| ·RBF神经网络的学习算法 | 第19-20页 |
| ·中心和宽度的学习算法 | 第19-20页 |
| ·权值的确定方法 | 第20页 |
| ·BP神经网络和RBF神经网络的比较 | 第20-23页 |
| ·遗传算法 | 第23-28页 |
| ·遗传算法的基本要素 | 第25-27页 |
| ·遗传算法的基本流程 | 第27-28页 |
| ·加速遗传算法 | 第28-33页 |
| ·加速遗传算法的计算原理 | 第29-31页 |
| ·加速遗传算法的基本流程 | 第31-33页 |
| 4 基于AGA的RBF神经网络优化算法 | 第33-43页 |
| ·遗传算法与神经网络的融合 | 第33-34页 |
| ·主成分分析(PCA)方法在数据预处理中的应用 | 第34-37页 |
| ·主成分分析的提出 | 第34-35页 |
| ·主成分分析的原理 | 第35-37页 |
| ·AGA-RBF神经网络优化算法设计 | 第37-43页 |
| ·遗传算法要素的选择 | 第38-41页 |
| ·基于AGA优化的RBF神经网络算法的实现 | 第41-43页 |
| 5 金山电厂水源水质评价在AGA-RBF网络中的仿真研究 | 第43-54页 |
| ·金山电厂水质评价模型建立 | 第43-47页 |
| ·网络输入输出变量选择 | 第43-44页 |
| ·数据的预处理 | 第44-46页 |
| ·评价模型的流程 | 第46-47页 |
| ·金山电厂水质评价模型仿真分析 | 第47-54页 |
| ·仿真过程 | 第47-49页 |
| ·仿真结果 | 第49-52页 |
| ·结果分析 | 第52-54页 |
| 结论 | 第54-56页 |
| 参考文献 | 第56-59页 |
| 致谢 | 第59-60页 |
| 攻读学位期间已发表的学术论文及科研成果 | 第60页 |