| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 1 绪论 | 第9-16页 |
| 1.1 课题研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 山洪灾害预警模型的研究现状 | 第10-11页 |
| 1.2.2 神经网络模型的山洪预警研究现状 | 第11-12页 |
| 1.3 课题研究内容及创新点 | 第12-14页 |
| 1.3.1 课题研究的内容 | 第12-13页 |
| 1.3.2 主要完成的工作 | 第13-14页 |
| 1.3.3 论文创新点 | 第14页 |
| 1.4 论文的结构安排 | 第14-15页 |
| 1.5 本章小结 | 第15-16页 |
| 2 BP神经网络与SVM算法概述 | 第16-30页 |
| 2.1 BP神经网络算法的概述 | 第16-20页 |
| 2.1.1 BP神经网络结构 | 第16-17页 |
| 2.1.2 BP神经网络算法的原理 | 第17-19页 |
| 2.1.3 BP神经网络算法的局限性 | 第19页 |
| 2.1.4 优化BP神经网络方法研究 | 第19-20页 |
| 2.2 支持向量机算法的概述 | 第20-28页 |
| 2.2.1 统计学习理论 | 第20-22页 |
| 2.2.2 支持向量机理论 | 第22-24页 |
| 2.2.3 支持向量机的变形算法 | 第24-26页 |
| 2.2.4 GA-SVM算法 | 第26-28页 |
| 2.3 BP神经网络算法和SVM算法的区别 | 第28-29页 |
| 2.4 本章小结 | 第29-30页 |
| 3 山洪预警模型研究 | 第30-38页 |
| 3.1 模型数据输入输出参数确定 | 第30-33页 |
| 3.1.1 预警指标输入参数确定 | 第30-33页 |
| 3.1.2 预警信息输出参数的确定 | 第33页 |
| 3.2 时间序列预测 | 第33-36页 |
| 3.2.1 普通BP在模型中的应用 | 第34-35页 |
| 3.2.2 优化BP在模型中的应用 | 第35页 |
| 3.2.3 普通SVM在模型中的应用 | 第35-36页 |
| 3.2.4 GA-SVM在模型中的应用 | 第36页 |
| 3.3 回归预测 | 第36-37页 |
| 3.4 本章总结 | 第37-38页 |
| 4 模型的实现及应用 | 第38-57页 |
| 4.1 水位的时间序列预测 | 第38-46页 |
| 4.1.1 BP神经网络的水位预测 | 第39-43页 |
| 4.1.2 普通SVM算法的水位预测 | 第43-44页 |
| 4.1.3 GA-SVM算法水位的预测 | 第44-46页 |
| 4.1.4 水位时间序列预测分析 | 第46页 |
| 4.2 雨量的时间序列预测 | 第46-50页 |
| 4.2.1 BP神经网络的雨量预测 | 第46-47页 |
| 4.2.2 普通SVM算法的雨量预测 | 第47-49页 |
| 4.2.3 GA-SVM算法的雨量预测 | 第49-50页 |
| 4.2.4 雨量时间序列预测分析 | 第50页 |
| 4.3 基于BP神经网络算法或SVM算法的回归预测 | 第50-55页 |
| 4.3.1 BP神经网络对报警等级进行预测 | 第51-52页 |
| 4.3.2 普通SVM算法对报警等级进行预测 | 第52-54页 |
| 4.3.3 GA-SVM算法对报警等级进行预测 | 第54-55页 |
| 4.4 时间预计与回归预测结合应用 | 第55-56页 |
| 4.5 本章小结 | 第56-57页 |
| 5 山洪灾害风险分析及措施 | 第57-61页 |
| 5.1 山洪灾害风险分析 | 第57页 |
| 5.2 山洪灾害提前抵御措施 | 第57-58页 |
| 5.3 山洪灾害预警措施执行 | 第58-60页 |
| 5.3.1 省市防汛指挥部门预警 | 第58页 |
| 5.3.2 县乡防汛指挥部门预警 | 第58-59页 |
| 5.3.3 特殊情况下的预警 | 第59-60页 |
| 5.4 信息发布与应急结束 | 第60页 |
| 5.5 本章小结 | 第60-61页 |
| 6 结论与展望 | 第61-62页 |
| 6.1 全文总结 | 第61页 |
| 6.2 研究内容展望 | 第61-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-66页 |
| 附录 1 | 第66-67页 |
| 附录 2 | 第67-68页 |