| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 1 绪论 | 第8-16页 |
| 1.1 引言 | 第8-10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.2.1 多源雨量融合 | 第10-11页 |
| 1.2.2 小波神经网络 | 第11-14页 |
| 1.3 研究内容 | 第14-15页 |
| 1.4 技术路线 | 第15-16页 |
| 2 小波神经网络概述 | 第16-33页 |
| 2.1 人工神经网络 | 第16-24页 |
| 2.1.1 人工神经网络的发展 | 第16-17页 |
| 2.1.2 人工神经网络模型的特点 | 第17-18页 |
| 2.1.3 人工神经网络的基本原理 | 第18-20页 |
| 2.1.4 倒传递神经网络(BPNN) | 第20-24页 |
| 2.2 小波分析基本理论 | 第24-31页 |
| 2.2.1 小波分析的发展 | 第24-25页 |
| 2.2.2 小波分析的基本原理 | 第25-31页 |
| 2.3 小波神经网络简介 | 第31-33页 |
| 3 研究区域概况及数据预处理 | 第33-43页 |
| 3.1 研究区域概况 | 第33-34页 |
| 3.2 数据概况及预处理 | 第34-38页 |
| 3.2.1 金华江流域数据概况 | 第34-35页 |
| 3.2.2 数据预处理 | 第35-36页 |
| 3.2.3 数据划分 | 第36-38页 |
| 3.3 流域降雨-径流机制分析 | 第38页 |
| 3.4 输入变量的选取 | 第38页 |
| 3.5 小波函数和分解级次的选取 | 第38-40页 |
| 3.6 评估指标 | 第40-43页 |
| 4 基于松散型小波神经网络的多源雨量融合及径流预报模型 | 第43-47页 |
| 4.1 “分解-单支重构-融合-预报-叠加”模式 | 第43-44页 |
| 4.2 “分解-融合-预报-重构”模式 | 第44-45页 |
| 4.3 “分解-单支重构-融合-预报”模式 | 第45-47页 |
| 5 结果对比与分析 | 第47-63页 |
| 5.1 模型性能对比分析与流量预报结果 | 第47-59页 |
| 5.2 雨量融合 | 第59-63页 |
| 6 结论与展望 | 第63-66页 |
| 6.1 主要结论 | 第63-64页 |
| 6.2 创新点 | 第64-65页 |
| 6.3 存在问题及未来研究方向 | 第65-66页 |
| 参考文献 | 第66-72页 |
| 作者简介 | 第72页 |