環(huán)境系統(tǒng)模擬與仿真

第1章緒論1
1．1系統(tǒng)論1
1．1．1概述1
1．1．2因果性2
1．1．3基本思想方法2
1．2控制論3
1．2．1概述3
1．2．2核心任務(wù)3
1．2．3黑白箱理論3
1．2．4基本方法4
1．3環(huán)境系統(tǒng)數(shù)學模型4
1．3．1概述4
1．3．2環(huán)境系統(tǒng)數(shù)學模型的分類4
學習提示5
習題6

第2章數(shù)據(jù)預處理技術(shù)7
2．1Matlab簡介7
2．2統(tǒng)一數(shù)據(jù)文件格式、數(shù)據(jù)類型、單位、精度8
2．3無效數(shù)據(jù)識別及處理8
2．3．1剔除9
2．3．2插值填補10
2．4小波降噪13
2．4．1環(huán)境系統(tǒng)觀測的隨機誤差13
2．4．2數(shù)據(jù)降噪技術(shù)概況14
2．4．3小波降噪的Matlab實現(xiàn)14
2．5歸一化22
2．5．1Matlab的歸一化函數(shù)23
2．5．2歸一化應(yīng)用實例23
2．6主成分分析25
2．6．1主成分及主成分分析的概念27
2．6．2主成分分析的基本原理和技術(shù)步驟27
2．6．3主成分分析的SPSS實現(xiàn)29
2．6．4主成分分析的Matlab實現(xiàn)33
學習提示35
習題36

第3章環(huán)境系統(tǒng)數(shù)值模型與仿真37
3．1概述37
3．1．1環(huán)境數(shù)學模型在環(huán)境管理中的應(yīng)用38
3．1．2數(shù)學模型的功能38
3．2環(huán)境問題的數(shù)學模型39
3．2．1數(shù)學模型的特征39
3．2．2建立數(shù)學模型一般遵循的規(guī)律39
3．2．3系統(tǒng)的概念和基本特征40
3．2．4環(huán)境系統(tǒng)分析和環(huán)境數(shù)學模型41
3．3河流水質(zhì)數(shù)學模型S-P模型42
3．4建立環(huán)境數(shù)學模型的機理分析法44
3．4．1環(huán)境數(shù)學模型遵循的基本約束44
3．4．2環(huán)境系統(tǒng)中的基本單位過程45
3．5基本環(huán)境流體動力學模型49
3．5．1零維模型49
3．5．2一維模型51
3．5．3二維（三維）基本環(huán)境流體動力學模型53
3．5．4一維模型的解析解54
3．5．5非穩(wěn)定排放源污染物遷移特征55
3．6線性回歸分析57
3．6．1一元線性回歸57
3．6．2相關(guān)系數(shù)59
3．6．3多元線性回歸分析61
學習提示63
習題63

第4章神經(jīng)網(wǎng)絡(luò)環(huán)境數(shù)學模型65
4．1人工神經(jīng)網(wǎng)絡(luò)概念65
4．2神經(jīng)網(wǎng)絡(luò)的特點67
4．3人工神經(jīng)網(wǎng)絡(luò)開發(fā)的技術(shù)路線68
4．4人工神經(jīng)網(wǎng)絡(luò)的發(fā)展史68
4．5神經(jīng)網(wǎng)絡(luò)的研究進展及環(huán)境應(yīng)用69
4．5．1人工神經(jīng)網(wǎng)絡(luò)的研究進展69
4．5．2人工神經(jīng)網(wǎng)絡(luò)在環(huán)境建模中的應(yīng)用71
4．6神經(jīng)元72
4．6．1生物神經(jīng)元72
4．6．2人工神經(jīng)元模型73
4．7人工神經(jīng)網(wǎng)絡(luò)的類型及特點77
4．7．1以網(wǎng)絡(luò)結(jié)構(gòu)和學習算法分類77
4．7．2以是否延遲反饋及時間直接相關(guān)進行分類79
4．8人工神經(jīng)網(wǎng)絡(luò)的Matlab實現(xiàn)79
4．8．1神經(jīng)網(wǎng)絡(luò)工具箱80
4．8．2神經(jīng)網(wǎng)絡(luò)基礎(chǔ)函數(shù)80
4．8．3神經(jīng)網(wǎng)絡(luò)求解環(huán)境問題的基本步驟88
學習提示88
習題89

第5章靜態(tài)神經(jīng)網(wǎng)絡(luò)模型90
5．1感知器網(wǎng)絡(luò)90
5．2線性神經(jīng)網(wǎng)絡(luò)98
5．2．1線性網(wǎng)絡(luò)的基本語法98
5．2．2線性網(wǎng)絡(luò)的實例99
5．3徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)107
5．3．1傳遞函數(shù)和網(wǎng)絡(luò)結(jié)構(gòu)108
5．3．2徑向基網(wǎng)絡(luò)108
5．3．3精確徑向基網(wǎng)絡(luò)109
5．3．4newpnn概率神經(jīng)網(wǎng)絡(luò)116
5．3．5newgrnn泛化回歸神經(jīng)網(wǎng)絡(luò)117
5．4自組織網(wǎng)絡(luò)120
5．4．1概述120
5．4．2通用型競爭網(wǎng)絡(luò)120
5．5BP神經(jīng)網(wǎng)絡(luò)123
5．5．1傳遞函數(shù)124
5．5．2訓練函數(shù)與學習函數(shù)125
5．5．3BP神經(jīng)網(wǎng)絡(luò)類型及語法格式125
5．5．4BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)與內(nèi)部計算傳遞的基本規(guī)則129
5．5．5BP神經(jīng)網(wǎng)絡(luò)的底層工作原理131
5．5．6BP神經(jīng)網(wǎng)絡(luò)隱層設(shè)計的一般性原則139
5．5．7提高BP泛化能力 139
5．5．8BP神經(jīng)網(wǎng)絡(luò)應(yīng)用實例146
5．6靜態(tài)網(wǎng)絡(luò)可靠性評價150
5．7網(wǎng)絡(luò)訓練前數(shù)據(jù)處理技術(shù)路線和樣本數(shù)據(jù)規(guī)劃策略156
學習提示158
習題158

第6章動態(tài)神經(jīng)網(wǎng)絡(luò)模型160
6．1動態(tài)神經(jīng)網(wǎng)絡(luò)分類160
6．2典型動態(tài)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)161
6．3動態(tài)神經(jīng)網(wǎng)絡(luò)的Matlab實現(xiàn)164
6．4帶外部輸入的非線性自動回歸網(wǎng)絡(luò)168
6．4．1narxnet的創(chuàng)建168
6．4．2閉環(huán)與開環(huán)169
6．4．3一步預測171
6．4．4多步預測177
6．5非線性自動回歸網(wǎng)絡(luò)188
6．5．1narnet的語法格式188
6．5．2一步預測188
6．5．3多步預測190
6．6動態(tài)神經(jīng)網(wǎng)絡(luò)性能評價197
6．7幾種動態(tài)神經(jīng)網(wǎng)絡(luò)的比較200
學習提示200
習題201

參考文獻202