| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-21页 |
| 1.1 水质预测的重要意义 | 第11-13页 |
| 1.1.1 全球水资源现状 | 第11-12页 |
| 1.1.2 国内水资源现状 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-17页 |
| 1.2.1 水质预测模型 | 第13-16页 |
| 1.2.2 QGA-BP模型研究现状 | 第16-17页 |
| 1.3 论文主要工作 | 第17-21页 |
| 1.3.1 论文创新点 | 第17-18页 |
| 1.3.2 论文结构安排 | 第18-21页 |
| 第二章 量子遗传算法 | 第21-39页 |
| 2.1 遗传算法 | 第21-24页 |
| 2.1.1 遗传算法概述 | 第21页 |
| 2.1.2 基本概念 | 第21-23页 |
| 2.1.3 遗传算法工作流程 | 第23-24页 |
| 2.2 量子算法 | 第24-32页 |
| 2.2.1 量子力学基本概念 | 第24-25页 |
| 2.2.2 量子力学的基本假设与结论 | 第25页 |
| 2.2.3 量子比特 | 第25-27页 |
| 2.2.4 量子逻辑门 | 第27-29页 |
| 2.2.5 量子计算并行性 | 第29-31页 |
| 2.2.6 几种常见量子算法 | 第31-32页 |
| 2.3 量子遗传算法 | 第32-37页 |
| 2.3.1 量子遗传算法原理 | 第32-33页 |
| 2.3.2 量子遗传算法实现 | 第33-35页 |
| 2.3.3 量子遗传算法流程 | 第35-37页 |
| 2.4 本章小结 | 第37-39页 |
| 第三章 量子神经网络 | 第39-51页 |
| 3.1 神经网络 | 第39-43页 |
| 3.1.1 BP神经网络概述 | 第39-41页 |
| 3.1.2 BP神经网络预测模型 | 第41-43页 |
| 3.2 GA-BP神经网络 | 第43-46页 |
| 3.2.1 GA-BP神经网络预测模型 | 第43-46页 |
| 3.2.2 GA-BP算法的局限性 | 第46页 |
| 3.3 量子神经网络 | 第46-50页 |
| 3.3.1 量子BP神经网络模型 | 第46-49页 |
| 3.3.2 量子BP神经网络训练学习算法 | 第49-50页 |
| 3.3 本章小结 | 第50-51页 |
| 第四章 改进的QGA-BP算法 | 第51-57页 |
| 4.1 QGA算法的改进 | 第51-52页 |
| 4.1.1 旋转角的动态改进 | 第51-52页 |
| 4.1.2 量子灾变操作的加入 | 第52页 |
| 4.2 改进的QGA优化BP神经网络 | 第52-56页 |
| 4.2.1 改进QGA优化BP算法方式 | 第52-53页 |
| 4.2.2 改进的QGA-BP算法介绍 | 第53-55页 |
| 4.2.3 改进的QGA-BP算法流程 | 第55-56页 |
| 4.3 本章小结 | 第56-57页 |
| 第五章 改进的QGA-BP在弥苴河水质预测中的应用 | 第57-63页 |
| 5.1 模型设计与检验 | 第57-60页 |
| 5.2 应用实例 | 第60-61页 |
| 5.3 本章小结 | 第61-63页 |
| 第六章 结论与展望 | 第63-65页 |
| 致谢 | 第65-67页 |
| 参考文献 | 第67-73页 |
| 附录部分 | 第73-74页 |
| 授予学历硕士人员登记表 | 第74-75页 |