| 摘要 | 第1-6页 |
| Abstract | 第6-11页 |
| 1 前言 | 第11-20页 |
| ·研究背景 | 第11-12页 |
| ·国内外研究现状 | 第12-16页 |
| ·土壤侵蚀预测模型研究现状 | 第12-14页 |
| ·人工智能技术在土壤侵蚀领域的研究进展 | 第14-15页 |
| ·川中丘陵区土壤侵蚀研究进展 | 第15-16页 |
| ·本研究内容、目的及意义 | 第16页 |
| ·研究区域概况 | 第16-19页 |
| ·试验场设计 | 第16-17页 |
| ·试验处理 | 第17-18页 |
| ·观测方法 | 第18-19页 |
| ·研究技术路线 | 第19-20页 |
| 2 人工神经网络理论及其预测概述 | 第20-29页 |
| ·神经网络的基本理论 | 第20页 |
| ·神经网络的特点 | 第20-21页 |
| ·常见的神经网络 | 第21-27页 |
| ·常见的神经网络类型 | 第21-22页 |
| ·BP神经网络 | 第22-27页 |
| ·神经网络的学习方法 | 第27-29页 |
| 3 支持向量机理论概述 | 第29-40页 |
| ·支持向量机基础理论 | 第29-33页 |
| ·VC维 | 第30-31页 |
| ·经验风险最小化准则 | 第31页 |
| ·结构风险最小化归纳原则 | 第31-33页 |
| ·常见的支持向量机 | 第33-40页 |
| ·支持向量分类机 | 第33-35页 |
| ·支持向量回归机 | 第35-40页 |
| 4 BP神经网络和SVM的MATLAB实现 | 第40-43页 |
| ·MATLAB软件介绍 | 第40页 |
| ·BP神经网络预测在MATLAB中的实现 | 第40-41页 |
| ·Matlab的神经网络工具箱 | 第40-41页 |
| ·基于BP神经网络预测方法在Matlab中的实现步骤 | 第41页 |
| ·SVM预测在MATLAB中的实现 | 第41-43页 |
| ·SVM工具箱 | 第41-42页 |
| ·基于SVM预测方法在Matlab中的实现步骤 | 第42-43页 |
| 5 基于BP神经网络及SVM方法的土壤侵蚀预测建模 | 第43-77页 |
| ·预测建模步骤 | 第43-44页 |
| ·数据准备及预处理 | 第43-44页 |
| ·创建模型并设置相应参数 | 第44页 |
| ·训练模型 | 第44页 |
| ·测试和修改模型 | 第44页 |
| ·预测精度规定 | 第44-45页 |
| ·试验1:基于5个输入因子建模 | 第45-57页 |
| ·基于BP神经网络的预测建模 | 第46-49页 |
| ·SVM预测建模 | 第49-57页 |
| ·试验2:基于9个输入因子建模 | 第57-62页 |
| ·基于BP神经网络的预测建模 | 第58-60页 |
| ·SVM预测建模 | 第60-62页 |
| ·试验3:基于10个输入因子建模 | 第62-72页 |
| ·水土保持措施因子—P值的量化 | 第62-67页 |
| ·基于BP神经网络的预测建模 | 第67-69页 |
| ·SVM预测建模 | 第69-72页 |
| ·试验4:特定耕作方法单独建模 | 第72-77页 |
| ·基于BP神经网络的预测建模 | 第72-74页 |
| ·SVM预测建模 | 第74-77页 |
| 6 结果与讨论 | 第77-81页 |
| ·研究结果 | 第77-78页 |
| ·讨论 | 第78-81页 |
| ·水土保持措施因子(P)值的量化 | 第78页 |
| ·BP神经网络及SVM在土壤侵蚀预测中的应用 | 第78-79页 |
| ·BP神经网络及SVM在土壤侵蚀预测中的推广 | 第79-80页 |
| ·BP神经网络及SVM在土壤侵蚀建模预测过程中的优化 | 第80-81页 |
| 参考文献 | 第81-92页 |
| 致谢 | 第92-93页 |
| 硕士期间发表的论文 | 第93页 |
