人工神經(jīng)網(wǎng)絡(luò)及其在水質(zhì)信息檢測中的應(yīng)用

第一章  人工神經(jīng)網(wǎng)絡(luò)概論
  1.1  人工神經(jīng)網(wǎng)絡(luò)發(fā)展概況及其特點
  1.2  人工神經(jīng)網(wǎng)絡(luò)在水質(zhì)信息檢測中的應(yīng)用背景及其意義 
  1.3  河流水流模型研究進展及存在問題
    1.3.1  國內(nèi)外水質(zhì)模型發(fā)展階段
    1.3.2  現(xiàn)有水質(zhì)模型存在的問題
    1.3.3  水環(huán)境模擬中的不確定性
  1.4  神經(jīng)網(wǎng)絡(luò)在水質(zhì)評價中的應(yīng)用研究
    1.4.1  水質(zhì)評價基本方法
    1.4.2  人工神經(jīng)網(wǎng)絡(luò)用于地表水環(huán)境質(zhì)量評價
    1.4.3  神經(jīng)網(wǎng)絡(luò)在水質(zhì)模擬中的應(yīng)用研究
  1.5  神經(jīng)網(wǎng)絡(luò)與水質(zhì)模擬及水質(zhì)評價結(jié)合的優(yōu)勢
  1.6  人工神經(jīng)網(wǎng)絡(luò)在水質(zhì)信息檢測處理中的應(yīng)用前景
第二章  人工神經(jīng)網(wǎng)絡(luò)基礎(chǔ)知識
  2.1  人工神經(jīng)網(wǎng)絡(luò)概述
    2.1.1  生物神經(jīng)元網(wǎng)絡(luò)的基本原理
    2.1.2  人工神經(jīng)網(wǎng)絡(luò)的基本原理
    2.1.3  人工神經(jīng)網(wǎng)絡(luò)模型
  2.2  神經(jīng)元網(wǎng)絡(luò)的學習過程
  2.3  神經(jīng)元網(wǎng)絡(luò)的學習規(guī)則 
    2.3.1  Hebb學習規(guī)則
    2.3.2  感知機(Perceptmn)學習規(guī)則
    2.3.3  Delta學習規(guī)則
  2.4  神經(jīng)元網(wǎng)絡(luò)的工作過程
第三章  在水質(zhì)信息檢測中常用的算法
  3.1  人工神經(jīng)網(wǎng)絡(luò)的訓練(學習)
  3.2  幾種常用的人工神經(jīng)網(wǎng)絡(luò)算法
  3.2.1  誤差反傳訓練算法(Back Propagation，BP)
  3.2.2  RBF徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)
  3.3  RBF和BP神經(jīng)網(wǎng)絡(luò)的比較
第四章  人工神經(jīng)網(wǎng)絡(luò)在水質(zhì)信息檢測中的應(yīng)用
  4.1  不同學習算法對BP網(wǎng)絡(luò)性能影響的研究
    4.1.1  BP網(wǎng)絡(luò)的學習算法
    4.1.2  水質(zhì)預(yù)測BP網(wǎng)絡(luò)的建立
  4.2  用最佳學習算法預(yù)測黃河水DO濃度
    4.2.1  時間序列建模方法
    4.2.2  樣本選取及數(shù)據(jù)預(yù)處理
    4.2.3  交互檢驗訓練法
    4.2.4  優(yōu)化與預(yù)測
    4.2.5  結(jié)果與討論
    4.2.6  結(jié)論
  4.3  BP網(wǎng)絡(luò)用于黃河水質(zhì)的預(yù)測研究
    4.3.1  時間序列建模方法及算法
    4.3.2  樣本選取及網(wǎng)絡(luò)訓練方法
    4.3.3  結(jié)果與討論
    4.3.4  結(jié)論
  4.4  用于黃河水質(zhì)綜合評價的人工神經(jīng)網(wǎng)絡(luò)模型的研究
    4.4.1  建立計算模型及訓練樣本
    4.4.2  網(wǎng)絡(luò)參數(shù)的確立
    4.4.3  應(yīng)用實例
    4.4.4  結(jié)論
  4.5  應(yīng)用人工神經(jīng)網(wǎng)絡(luò)對黃河甘肅段水質(zhì)進行分類評價
第五章  其他方法在水質(zhì)檢測中的應(yīng)用
參考文獻