第一章 人工神经网络概论 1
1.1 人工神经网络发展概况及其特点 1
1.2 人工神经网络在水质信息检测中的应用背景及其意义 3
1.3 河流水流模型研究进展及存在问题 7
1.3.1 国内外水质模型发展阶段 7
1.3.2 现有水质模型存在的问题 8
1.3.3 水环境模拟中的不确定性 9
1.4 神经网络在水质评价中的应用研究 10
1.4.1 水质评价基本方法 11
1.4.2 人工神经网络用于地表水环境质量评价 13
1.4.3 神经网络在水质模拟中的应用研究 14
1.5 神经网络与水质模拟及水质评价结合的优势 15
1.6 人工神经网络在水质信息检测处理中的应用前景 18
第二章 人工神经网络基础知识 20
2.1 人工神经网络概述 21
2.1.1 生物神经元网络的基本原理 23
2.1.2 人工神经网络的基本原理 26
2.1.3 人工神经网络模型 31
2.2 神经元网络的学习过程 40
2.3 神经元网络的学习规则 42
2.3.1 Hebb学习规则 44
2.3.2 感知机（Perceptron）学习规则 48
2.3.3 Delta学习规则 50
2.4 神经元网络的工作过程 52
第三章 在水质信息检测中常用的算法 55
3.1 人工神经网络的训练（学习） 55
3.2 几种常用的人工神经网络算法 60
3.2.1 误差反传训练算法（Back Propagation,BP） 60
3.2.2 RBF径向基函数神经网络 67
3.3 RBF和BP神经网络的比较 73
第四章 人工神经网络在水质信息检测中的应用 75
4.1 不同学习算法对BP网络性能影响的研究 75
4.1.1 BP网络的学习算法 75
4.1.2 水质预测BP网络的建立 77
4.2 用最佳学习算法预测黄河水DO浓度 80
4.2.1 时间序列建模方法 80
4.2.2 样本选取及数据预处理 81
4.2.3 交互检验训练法 82
4.2.4 优化与预测 82
4.2.5 结果与讨论 85
4.2.6 结论 87
4.3 BP网络用于黄河水质的预测研究 88
4.3.1 时间序列建模方法及算法 88
4.3.2 样本选取及网络训练方法 88
4.3.3 结果与讨论 90
4.3.4 结论 90
4.4 用于黄河水质综合评价的人工神经网络模型的研究 92
4.4.1 建立计算模型及训练样本 92
4.4.2 网络参数的确立 95
4.4.3 应用实例 95
4.4.4 结论 96
4.5 应用人工神经网络对黄河甘肃段水质进行分类评价 96
4.5.1 建模的数据 96
4.5.2 网络训练的水质标准数据 96
4.5.3 RBF的结果 98
4.5.4 BP的结果 100
4.5.5 结论 101
4.6 运用BP网络优化DO的影响因素及预测DO含量 101
4.6.1 实验前原始数据准备 101
4.6.2 训练集和检测集的生成 102
4.6.3 网络试验的内容 104
4.6.4 小结 108
4.6.5 实例 110
4.6.6 结论 111
4.7 不同的学习样本优化法对网络精确度的对比研究 112
4.7.1 样本选取 112
4.7.2 学习样本归一化选择 113
4.7.3 隐含层节点数的优化 119
4.7.4 线性插值 122
4.7.5 结果与讨论 123
4.7.6 应用实例 123
4.8 主成分分析法研究黄河甘肃段水质影响因素 124
4.8.1 主成成分析方法简述 124
4.8.2 实例分析 125
4.8.3 黄河甘肃段水质变化状况 126
4.8.4 结论 127
第五章 其他方法在水质检测中的应用 128
5.1 水质评价模糊数学法 128
5.1.1 水环境质量模糊综合评价模型 128
5.1.2 水质评价模糊综合指数法的算法 130
5.1.3 水质评价模糊综合指数法程序框图 132
5.1.4 模糊综合指数法计算结果 132
5.2 水质评价灰色聚类法 134
5.2.1 水质灰色聚类评判模型 135
5.2.2 水质评价灰色聚类法的算法 136
5.2.3 水质评价灰色聚类法的程序框图 137
5.2.4 灰色聚类法计算结果 137
参考文献 139