基于人工神经网络的灌区灌溉预报模型
| 第一章 绪论 | 第1-22页 |
| 1．1 研究背景及意义 | 第9-10页 |
| 1．1．1 研究的背景 | 第9页 |
| 1．1．2 研究的意义 | 第9-10页 |
| 1．2 国内外研究进展 | 第10-21页 |
| 1．2．1 最优灌溉制度 | 第10-11页 |
| 1．2．2 作物需水量 | 第11-14页 |
| 1．2．3 灌溉预报 | 第14-20页 |
| 1．2．4 灌溉预报的软件开发 | 第20-21页 |
| 1．3 本文研究的主要内容 | 第21-22页 |
| 第二章 非充分灌溉的优化灌溉制度模型 | 第22-46页 |
| 2．1 作物水分生产函数Jenson的模型 | 第22-27页 |
| 2．1．1 各生育阶段的敏感指数及水分生产函数 | 第22-24页 |
| 2．1．2 逐旬的敏感指数 | 第24-27页 |
| 2．2 降雨量预测模型 | 第27-35页 |
| 2．2．1 马尔可夫链 | 第28-30页 |
| 2．2．2 灰色GM(1，1)模型 | 第30-34页 |
| 2．2．3 灰色马尔可夫模型的构建 | 第34-35页 |
| 2．3 最优灌溉制度的动态规划模型 | 第35-37页 |
| 2．4 模型的求解及应用程序的编制 | 第37-45页 |
| 2．4．1 模型的求解方法 | 第37-40页 |
| 2．4．2 VB应用程序的编制 | 第40-43页 |
| 2．4．3 动态规划的计算流程图 | 第43-45页 |
| 2．5 本章小节 | 第45-46页 |
| 第三章 作物需水量的人工神经网络模型 | 第46-65页 |
| 3．1 人工神经网络的发展 | 第46-47页 |
| 3．2 BP神经网络介绍 | 第47-51页 |
| 3．2．1 基本原理 | 第47-49页 |
| 3．2．2 网络学习过程 | 第49-51页 |
| 3．3 基于MATLAB的BP神经网络设计 | 第51-55页 |
| 3．3．1 BP神经网络数据预处理 | 第51-53页 |
| 3．3．2 BP神经网络的生成及初始化 | 第53页 |
| 3．3．3 BP神经网络的训练 | 第53-55页 |
| 3．3．4 BP神经网络的仿真 | 第55页 |
| 3．4 作物需水量神经网络模型 | 第55-64页 |
| 3．4．1 模型的构建 | 第55-57页 |
| 3．4．2 实例验证 | 第57-64页 |
| 3．5 本章小节 | 第64-65页 |
| 第四章 灌区实时灌溉预报模型 | 第65-76页 |
| 4．1 前期准备工作 | 第65-66页 |
| 4．2 实时灌溉预报模型 | 第66-74页 |
| 4．2．1 水量平衡方程 | 第66页 |
| 4．2．2 方程参数的确定 | 第66-69页 |
| 4．2．3 模型的修正 | 第69-70页 |
| 4．2．4 灌水日期和灌水定额预报 | 第70-71页 |
| 4．2．5 灌溉预报模型的计算流程 | 第71-74页 |
| 4．3 本章小节 | 第74-76页 |
| 第五章 实例 | 第76-92页 |
| 5．1 灌区概况 | 第76页 |
| 5．2 优化灌溉制度模型 | 第76-81页 |
| 5．2．1 基本资料 | 第77-78页 |
| 5．2．2 降雨量预测模型 | 第78-80页 |
| 5．2．3 水稻的优化灌溉制度 | 第80-81页 |
| 5．2．4 结果分析 | 第81页 |
| 5．3 实时灌溉预报模型 | 第81-92页 |
| 5．3．1 前期准备工作 | 第81-86页 |
| 5．3．2 方程参数的确定 | 第86-90页 |
| 5．3．3 实时灌溉预报 | 第90-92页 |
| 第六章 结论和展望 | 第92-94页 |
| 6．1 主要结论 | 第92页 |
| 6．2 展望 | 第92-94页 |
| 参考文献 | 第94-98页 |
| 致谢 | 第98页 |
