毕业论文课题相关文献综述
文 献 综 述开发背景降雨径流指由降雨所形成的径流。
降雨形成径流，就其水体的运动性质，大致可以分为两大过程：即产流过程与汇流过程；如就其过程所发生的地点，可以分为在流域面上进行的过程与在河槽里进行的过程。
研究人类所赖以生存环境的降雨、径流、蒸散发等水文现象的内在规律，从而更好地利用其规律为人类服务、改善人类生活环境是水文科学研究的根本任务。
降雨径流关系是关键的水文现象之一，研究降雨径流的产生和汇集原理，准确模拟其发生发展规律对水资源的保护与管理具有十分重要的意义。
随着对水文预测模型研究的深入,许多像人工神经网络、遗传算法、模糊理论、支持向量机(SVM)等人工智能(机器学习)方法被引入到水文预测中，在一定程度上取得较为理想的预测结果。
许多学者建立了降雨径流预测模型，并应用于实际流域，获得较好模型稳定性及较高的预测精度。
由于模拟流域的复杂性、观测资料的不完整性等，这些顺序向前推进的方法会产生较大的误差，因此在有观测数据时，用数据同化的方法将观测数据融入预测值中，将会改善模型结构，提高预测的精度。
虽然人工神经网络方法在水文等领域得到广泛的应用,尤其在降雨预测、降雨径流模拟等方面已初见成效，但由于受训练难度的限制，基本属于只含一个隐层节点的浅层模型。
加拿大多伦多大学的Hinton教授在2006年的论文中指出，含有多个隐层的神经网络(深层神经网络)具有优异的特征学习能力，学习所得的特征对数据有更本质的刻划，而且深层神经网络的训练难度可以通过逐层初始化解决，逐层初始化可以用无监督学习方法来实现，这一文章掀起了深度学习在学术界的热潮。
深度学习可通过学习一种深层非线性网络结构，实现复杂函数逼近，达到从少数样本集中学习数据集本质特征的目的，基于深度学习的降雨径流预测模型通过构建具有多个隐层的学习模型和海量的训练数据，通过逐层特征变换，将样本在原空间的特征表示变换到一个新特征空间，这样更能够刻画数据的丰富内在信息，从而提升预测的准确性。
