| 摘要 | 第1-11页 |
| ABSTRACT | 第11-13页 |
| 1 绪论 | 第13-26页 |
| ·研究的背景、目的及意义 | 第13-15页 |
| ·研究背景 | 第13-14页 |
| ·研究的目的意义 | 第14-15页 |
| ·国内外研究现状 | 第15-22页 |
| ·水资源可持续利用指标体系研究现状 | 第15-17页 |
| ·水资源可持续利用评价方法研究现状 | 第17-22页 |
| ·研究内容、技术路线及创新点 | 第22-26页 |
| ·研究内容 | 第22-24页 |
| ·技术路线 | 第24-25页 |
| ·创新点 | 第25-26页 |
| 2 黑龙江省概况及水资源现状分析 | 第26-34页 |
| ·自然地理概况 | 第26-28页 |
| ·地理背景 | 第26-27页 |
| ·气候概况 | 第27页 |
| ·河流水系 | 第27-28页 |
| ·水资源概况 | 第28-32页 |
| ·水资源 | 第28-29页 |
| ·水环境 | 第29-30页 |
| ·水资源开发利用状况 | 第30-32页 |
| ·社会经济概况 | 第32-34页 |
| ·社会人口 | 第32页 |
| ·经济状况 | 第32-34页 |
| 3 水资源可持续利用评价指标体系构建 | 第34-40页 |
| ·水资源可持续利用指标体系建立的基本原则 | 第34-35页 |
| ·一般评价指标体系的建立 | 第35-36页 |
| ·评价指标体系筛选 | 第36-39页 |
| ·聚类分析法 | 第36-37页 |
| ·熵权法 | 第37-38页 |
| ·基于聚类-熵权的指标筛选 | 第38-39页 |
| ·本章小结 | 第39-40页 |
| 4 基于支持向量机的水资源可持续利用评价模型 | 第40-50页 |
| ·支持向量机分类算法（SVC） | 第40-43页 |
| ·线性分类 | 第40-42页 |
| ·非线性分类 | 第42-43页 |
| ·支持向量机回归算法（SVR） | 第43-44页 |
| ·线性回归 | 第43-44页 |
| ·非线性回归 | 第44页 |
| ·基于遗传算法的参数优化 | 第44-45页 |
| ·基于支持向量机的水资源可持续利用评价 | 第45-49页 |
| ·评价指标体系的确定 | 第45页 |
| ·样本生成和预处理 | 第45-46页 |
| ·基于分类支持向量机（SVC）的模型实现 | 第46-48页 |
| ·基于回归支持向量机（SVR）的模型实现 | 第48-49页 |
| ·本章小结 | 第49-50页 |
| 5 基于小波神经网络的水资源可持续利用评价模型 | 第50-57页 |
| ·小波分析基本理论 | 第50-51页 |
| ·小波变换 | 第50-51页 |
| ·小波函数 | 第51页 |
| ·BP 神经网络基本理论 | 第51-52页 |
| ·小波神经网络 | 第52-54页 |
| ·小波神经网络的分类 | 第52-53页 |
| ·小波神经网络模型及其学习算法 | 第53-54页 |
| ·基于小波神经网络的水资源可持续利用评价 | 第54-56页 |
| ·本章小结 | 第56-57页 |
| 6 基于 T-S 模糊神经网络的水资源可持续评价模型 | 第57-64页 |
| ·模糊数学基本理论 | 第57-60页 |
| ·模糊集 | 第57-59页 |
| ·模糊控制理论 | 第59页 |
| ·T-S 模糊系统 | 第59-60页 |
| ·T-S 模糊神经网络 | 第60-62页 |
| ·T-S 模糊神经网络结构 | 第60-61页 |
| ·T-S 模糊神经网络学习算法 | 第61-62页 |
| ·基于 T-S 模糊神经网络的水资源可持续利用评价 | 第62-63页 |
| ·本章小结 | 第63-64页 |
| 7 结果分析及指标灵敏度分析 | 第64-68页 |
| ·结果分析 | 第64页 |
| ·指标灵敏度分析 | 第64-66页 |
| ·灵敏度分析目的 | 第64-65页 |
| ·灵敏度分析方法 | 第65-66页 |
| ·评价指标灵敏度分析结果 | 第66页 |
| ·对策建议 | 第66-67页 |
| ·本章小结 | 第67-68页 |
| 8 结论与展望 | 第68-70页 |
| ·结论 | 第68页 |
| ·展望 | 第68-70页 |
| 致谢 | 第70-71页 |
| 参考文献 | 第71-77页 |
| 攻读硕士学位期间发表学术论文 | 第77页 |