| 摘要 | 第1-9页 |
| ABSTRACT | 第9-16页 |
| 第一章 绪言 | 第16-23页 |
| ·研究目的与意义 | 第16-17页 |
| ·国内外水环境管理的现状、面临的问题 | 第17-19页 |
| ·研究内容、方法和技术路线 | 第19-23页 |
| ·研究内容、方法 | 第19-20页 |
| ·研究技术路线 | 第20-21页 |
| ·论文结构 | 第21-23页 |
| 第二章 淮河流域非线性机理分析与研究方法 | 第23-35页 |
| ·非线性科学的概述 | 第23-27页 |
| ·非线性科学的发展历史 | 第23-25页 |
| ·非线性科学的应用研究与优势 | 第25-27页 |
| ·流域水环境系统非线性机理分析 | 第27-30页 |
| ·水环境系统的非线性的理论渊源 | 第27-28页 |
| ·水质管理的研究条件与模型假设 | 第28-30页 |
| ·水环境管理中非线性科学的应用研究 | 第30-34页 |
| ·非线性科学方法在水环境管理中应用的历史 | 第30-31页 |
| ·水环境管理中用到的非线性科学研究方法 | 第31-34页 |
| ·本章小结 | 第34-35页 |
| 第三章 受污染水体污染因子重要性分析 | 第35-48页 |
| ·引言 | 第35-36页 |
| ·粗糙集的历史、基本概念 | 第36-38页 |
| ·粗糙集的数学理论基础 | 第38-43页 |
| ·基于粗糙集理论对污染因子重要性分析的研究实例 | 第43-46页 |
| ·本章小结 | 第46-48页 |
| 第四章 淮河流域污染物浓度时间序列年变化趋势和突变分析 | 第48-61页 |
| ·概述 | 第48-49页 |
| ·资料来源 | 第49页 |
| ·小波分析应用研究 | 第49页 |
| ·小波分析应用于污染物浓度时间序列分析 | 第49-55页 |
| ·小波理论定义、概念 | 第49-54页 |
| ·常用小波函数 | 第54-55页 |
| ·基于小波分析理论的污染物浓度时间序列年变化趋势和突变特性分析 | 第55-60页 |
| ·水质分析实例一 | 第55-57页 |
| ·污染物浓度时间序列的突变特性分析 | 第57-60页 |
| ·本章小结 | 第60-61页 |
| 第五章 淮河流域水质单因素预测研究 | 第61-81页 |
| ·引言 | 第61-63页 |
| ·分形理论的起源 | 第61-62页 |
| ·分形的研究进展 | 第62-63页 |
| ·分形的数学理论基础 | 第63-74页 |
| ·分形维数及其计算方法概述 | 第65-68页 |
| ·水质时间序列分形维数计算方法 | 第68-74页 |
| ·基于变维分形理论的水质预测研究实例 | 第74-80页 |
| ·水质预测实例一 | 第74-76页 |
| ·水质预测实例二 | 第76-80页 |
| ·本章小结 | 第80-81页 |
| 第六章 基于嵌入式WNN的淮河流域水质多因素预测 | 第81-93页 |
| ·引言 | 第81-82页 |
| ·WNN 在水质预测中的应用 | 第82-85页 |
| ·实例分析 | 第85-92页 |
| ·模型构建 | 第85-86页 |
| ·模型应用 | 第86-92页 |
| ·本章小结 | 第92-93页 |
| 第七章 基于改进的 QGA-BP 模型的水质多因素预测 | 第93-105页 |
| ·引言 | 第93页 |
| ·BP 神经网络系统的分析 | 第93-94页 |
| ·遗传算法和神经网络系统的结合与互补 | 第94-96页 |
| ·改进的 QGA-BP 模型应用于复杂水质预测实例 | 第96-104页 |
| ·模型概述 | 第96-97页 |
| ·模型流程 | 第97-98页 |
| ·QGA 的改进 | 第98页 |
| ·水质预测应用实例 | 第98-104页 |
| ·本章小结 | 第104-105页 |
| 第八章 结论与展望 | 第105-108页 |
| ·本文的主要研究结论 | 第105-106页 |
| ·本文的主要特色与创新 | 第106-107页 |
| ·存在的问题及今后的工作展望 | 第107-108页 |
| ·存在的问题 | 第107页 |
| ·今后的工作展望 | 第107-108页 |
| 参考文献 | 第108-115页 |
| 攻读博士学位期间的主要研究成果 | 第115页 |
