| 中文摘要 | 第1-5页 |
| 英文摘要 | 第5-6页 |
| 1 引言 | 第6-11页 |
| 1．1 研究目的和意义 | 第6页 |
| 1．2 研究现状 | 第6-10页 |
| 1．2．1 国外研究现状 | 第7-8页 |
| 1．2．2 国内研究现状 | 第8-10页 |
| 1．3 研究思路 | 第10-11页 |
| 2 研究方法 | 第11-28页 |
| 2．1 人工神经网络方法 | 第11-26页 |
| 2．1．1 人工神经网络的基本理论 | 第11-14页 |
| 2．1．1．1 人工神经网络的基本概念和基本原理 | 第11-12页 |
| 2．1．1．2 人工神经网络的特点、分类和应用领域 | 第12-13页 |
| 2．1．1．3 人工神经网络的发展 | 第13-14页 |
| 2．1．2 BP网络算法 | 第14-26页 |
| 2．1．2．1 BP网络基本原理 | 第14-15页 |
| 2．1．2．2 隐节点数的确定方法 | 第15-16页 |
| 2．1．2．3 BP算法的推导过程 | 第16-22页 |
| 2．1．2．4 BP算法过程的总结 | 第22-23页 |
| 2．1．2．5 BP网络存在的问题 | 第23-24页 |
| 2．1．2．6 本文拟解决的问题 | 第24-26页 |
| 2．2 经验正交函数展开方法 | 第26-28页 |
| 3 资料选取 | 第28-35页 |
| 3．1 资料来源 | 第28页 |
| 3．2 降水资料的统计特征 | 第28-29页 |
| 3．3 预报因子的选取方法 | 第29-30页 |
| 3．4 两种不同的自然正交展开方法 | 第30-35页 |
| 4 预报建模和检验分析 | 第35-42页 |
| 4．1 神经网络学习矩阵的标准化方法 | 第35页 |
| 4．2 主成分神经网络预报模型的建立和检验分析 | 第35-40页 |
| 4．3 逐步回归预报模型 | 第40-42页 |
| 5 结论 | 第42-44页 |
| 致谢 | 第44-45页 |
| 参考文献 | 第45-48页 |
| 附图 | 第48-63页 |