| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 第1章 绪论 | 第9-23页 |
| 1.1 概述 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-18页 |
| 1.2.1 世界碳排放预测研究现状 | 第10-13页 |
| 1.2.2 系统聚类分析研究现状 | 第13-15页 |
| 1.2.3 BP神经网络预测模型研究现状 | 第15-18页 |
| 1.3 论文研究目的与意义 | 第18-19页 |
| 1.3.1 论文的研究目的 | 第18页 |
| 1.3.2 论文的研究意义 | 第18-19页 |
| 1.4 论文研究的主要内容及框架 | 第19-21页 |
| 1.5 论文研究可能的创新之处 | 第21-23页 |
| 第2章 两类世界碳排放预测模型研究及比较 | 第23-35页 |
| 2.1 世界碳排放预测单一模型 | 第23-29页 |
| 2.1.1 灰色预测模型 | 第23-26页 |
| 2.1.2 支持向量回归机预测模型 | 第26-28页 |
| 2.1.3 Logistic回归预测模型 | 第28-29页 |
| 2.1.4 BP神经网络预测模型 | 第29页 |
| 2.2 世界碳排放预测融合模型 | 第29-33页 |
| 2.2.1 基于灰色关联的BP神经网络世界碳排放预测模型 | 第30-31页 |
| 2.2.2 基于灰色支持向量机回归世界碳排放预测模型 | 第31-32页 |
| 2.2.3 基于STIRPAT的BP神经网络世界碳排放预测模型 | 第32页 |
| 2.2.4 基于LEAP的世界碳排放情景分析模型 | 第32-33页 |
| 2.3 两类世界碳排放预测模型的优缺点 | 第33-35页 |
| 第3章 基于系统聚类与BP神经网络的世界碳排放预测模型 | 第35-53页 |
| 3.1 世界碳排放预测指标分析 | 第35-38页 |
| 3.1.1 经济指标 | 第36页 |
| 3.1.2 社会指标 | 第36-37页 |
| 3.1.3 环境指标 | 第37-38页 |
| 3.1.4 能源指标 | 第38页 |
| 3.2 系统聚类理论及其实现过程 | 第38-43页 |
| 3.2.1 系统聚类相关理论 | 第38-39页 |
| 3.2.2 系统聚类模型 | 第39-40页 |
| 3.2.3 系统聚类分析在spss中的实现过程 | 第40-43页 |
| 3.3 BP神经网络理论及实现过程 | 第43-46页 |
| 3.3.1 BP神经网络理论 | 第43-44页 |
| 3.3.2 BP神经网络算法 | 第44-45页 |
| 3.3.3 BP神经网络在MATLAB的实现 | 第45-46页 |
| 3.4 基于系统聚类与BP神经网络的世界碳排放预测模型 | 第46-52页 |
| 3.4.1 问题描述 | 第46页 |
| 3.4.2 基础数据预处理方法 | 第46-47页 |
| 3.4.3 基于系统聚类的世界碳排放预测指标体系构建 | 第47-49页 |
| 3.4.4 基于BP神经网络构建世界碳排放预测模型 | 第49-51页 |
| 3.4.5 预测数据反归一化处理 | 第51-52页 |
| 3.5 本章小结 | 第52-53页 |
| 第4章 世界碳排放预测模型的应用 | 第53-59页 |
| 4.1 实例简介 | 第53-54页 |
| 4.2 系统聚类分析世界碳排放预测指标 | 第54-56页 |
| 4.3 BP神经网络预测世界碳排放量 | 第56-59页 |
| 第5章 结论与展望 | 第59-61页 |
| 5.1 主要研究成果 | 第59页 |
| 5.2 展望 | 第59-61页 |
| 致谢 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 附录 | 第66-68页 |
| 攻读学位期间的研究成果 | 第68页 |
