| 第一章 绪论 | 第1-24页 |
| 1．1 本文的选题背景 | 第8-9页 |
| 1．2 中长期水文预报的研究现状综述 | 第9-11页 |
| 1．3 人工神经网络概述 | 第11-16页 |
| 1．3．1 人工神经网络的基本涵义 | 第11页 |
| 1．3．2 人工神经网络的产生与发展 | 第11-13页 |
| 1．3．3 人工神经网络的特点 | 第13-14页 |
| 1．3．4 人工神经网络的广泛应用 | 第14-15页 |
| 1．3．5 人工神经网络的发展趋势 | 第15-16页 |
| 1．4 人工神经网络在水文预报中的应用综述 | 第16-21页 |
| 1．5 本文的研究背景 | 第21-22页 |
| 1．6 本文研究的主要内容 | 第22-24页 |
| 第二章 平稳时间序列法在漫湾径流中长期预测中的应用 | 第24-32页 |
| 2．1 平稳时间序列法简介 | 第24-28页 |
| 2．2 平稳时间序列法在漫湾径流中长期预报中的应用 | 第28-32页 |
| 第三章 神经网络模型在漫湾径流中长期预报中的应用 | 第32-66页 |
| 3．1 引言 | 第32页 |
| 3．2 人工神经元模型 | 第32-34页 |
| 3．3 BP神经网络的基本原理及算法的基本步骤 | 第34-36页 |
| 3．4 改进的BP快速训练算法 | 第36-41页 |
| 3．4．1 动量法 | 第36-37页 |
| 3．4．2 拟牛顿法 | 第37页 |
| 3．4．3 L-M法 | 第37-38页 |
| 3．4．4 共轭梯度法 | 第38-39页 |
| 3．4．5 SCG算法 | 第39-41页 |
| 3．4．6 算法训练效果对比分析 | 第41页 |
| 3．5 用于漫湾径流预测的神经网络模型的选择 | 第41-47页 |
| 3．5．1 三层前馈反向传播神经网络 | 第41-42页 |
| 3．5．2 单变量人工神经网络非线性时序模型 | 第42-43页 |
| 3．5．3 训练样本的基本要求及其预处理 | 第43-44页 |
| 3．5．4 网络训练及预报效果判断标准 | 第44页 |
| 3．5．5 对预报结果的影响分析 | 第44-47页 |
| 3．5．6 漫湾月径流序列的自相关结构分析 | 第47页 |
| 3．5．7 漫湾径流预报 ANN模型选择 | 第47页 |
| 3．6 神经网络模型应用于漫湾径流预测 | 第47-64页 |
| 3．6．1 日径流预报 | 第49-60页 |
| 3．6．2 月径流预报 | 第60-64页 |
| 3．7 神经网络模型与平稳时间序列模型的预测结果比较分析 | 第64页 |
| 3．8 小结 | 第64-66页 |
| 第四章 水情中长期预报系统的软件实现 | 第66-74页 |
| 4．1 引言 | 第66页 |
| 4．2 系统结构 | 第66-70页 |
| 4．2．1 表示层功能模块 | 第67-68页 |
| 4．2．2 业务逻辑层设计 | 第68-69页 |
| 4．2．3 数据层设计 | 第69-70页 |
| 4．3 主要界面设计 | 第70-74页 |
| 第五章 总结与展望 | 第74-76页 |
| 5．1 总结 | 第74页 |
| 5．2 展望 | 第74-76页 |
| 参考文献 | 第76-79页 |
| 作者在硕士生期间参加课题和完成论文 | 第79-80页 |
| 致谢 | 第80-81页 |
