| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 第一章 绪论 | 第8-16页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-14页 |
| 1.2.1 人工蜂群算法的研究现状 | 第9-11页 |
| 1.2.2 非点源污染的研究现状 | 第11-14页 |
| 1.3 本文的研究内容 | 第14页 |
| 1.4 本文的结构安排 | 第14-16页 |
| 第二章 相关理论与技术 | 第16-20页 |
| 2.1 引言 | 第16页 |
| 2.2 人工蜂群算法 | 第16-19页 |
| 2.3 极限学习机 | 第19页 |
| 2.4 本章小结 | 第19-20页 |
| 第三章 基于细菌觅食和粒子群算法改进的混合人工蜂群算法 | 第20-31页 |
| 3.1 引言 | 第20页 |
| 3.2 算法改进部分 | 第20-23页 |
| 3.3 实验结果及分析 | 第23-30页 |
| 3.3.1 使用的测试基准函数 | 第23-24页 |
| 3.3.2 参数设置 | 第24页 |
| 3.3.3 本文算法和其他算法的比较 | 第24-28页 |
| 3.3.4 时间复杂度分析 | 第28-30页 |
| 3.4 本章小结 | 第30-31页 |
| 第四章 改进人工蜂群算法优化的极限学习机 | 第31-39页 |
| 4.1 引言 | 第31-32页 |
| 4.2 算法改进部分 | 第32-33页 |
| 4.3 实验结果与分析 | 第33-37页 |
| 4.3.1 Sinc函数仿真实验 | 第33-34页 |
| 4.3.2 回归数据集仿真实验 | 第34-36页 |
| 4.3.3 分类数据集仿真实验 | 第36-37页 |
| 4.4 本章小结 | 第37-39页 |
| 第五章 非点源污染负荷预测模型 | 第39-51页 |
| 5.1 引言 | 第39-40页 |
| 5.2 改进人工蜂群算法优化的极限学习机非点源预测模型 | 第40-43页 |
| 5.2.1 数据预处理操作 | 第41-42页 |
| 5.2.2 非点源污染负荷预测实现步骤 | 第42-43页 |
| 5.3 实验结果以及分析 | 第43-50页 |
| 5.4 本章小结 | 第50-51页 |
| 第六章 总结与展望 | 第51-53页 |
| 6.1 总结 | 第51-52页 |
| 6.2 展望 | 第52-53页 |
| 致谢 | 第53-54页 |
| 参考文献 | 第54-57页 |
| 附录：作者在攻读硕士学位期间发表的论文 | 第57页 |