| 摘要 | 第1-7页 |
| ABSTRACT | 第7-13页 |
| 第1章 绪论 | 第13-31页 |
| ·课题研究背景及意义 | 第13-14页 |
| ·船舶运动预报研究发展概述 | 第14-24页 |
| ·船舶运动预报的频域分析法 | 第14-15页 |
| ·卡尔曼滤波法 | 第15页 |
| ·时间序列分析法 | 第15-16页 |
| ·基于人工神经网络的预报方法 | 第16-17页 |
| ·基于灰色理论的预报方法 | 第17-18页 |
| ·多层递阶自适应预报方法 | 第18-19页 |
| ·基于混沌理论的预报方法 | 第19页 |
| ·基于分解和组合策略的预报方法 | 第19-20页 |
| ·基于支持向量机的预报方法 | 第20-24页 |
| ·船舶摇荡运动的混沌特性研究概述 | 第24-25页 |
| ·在线时间序列预报方法研究概述 | 第25-29页 |
| ·在线时间序列预报方法研究现状 | 第26-28页 |
| ·在线时间序列预报技术应用现状 | 第28-29页 |
| ·本文主要研究内容 | 第29-31页 |
| 第2章 船舶横摇运动姿态 EMD 分解域智能预报研究 | 第31-55页 |
| ·引言 | 第31页 |
| ·经验模式分解理论 | 第31-35页 |
| ·经验模式分解算法 | 第31-33页 |
| ·经验模式分解的相关特性 | 第33-35页 |
| ·基于 ELMAN 神经网络的直接多步预报模型 | 第35-44页 |
| ·Elman 神经网络基本原理 | 第35-37页 |
| ·信息熵加权的 Elman 神经网络算法 | 第37-38页 |
| ·基于 Elman 神经网络的时间序列预报方法 | 第38-39页 |
| ·预报能力评价准则 | 第39-40页 |
| ·船舶运动时间序列的神经网络直接多步预报仿真 | 第40-44页 |
| ·船舶横摇运动姿态 EMD 分解域智能预报方法 | 第44-54页 |
| ·基于 EMD 的船舶横摇运动姿态混合智能预报模型 | 第44-45页 |
| ·船舶横摇运动姿态预报流程及步骤 | 第45-47页 |
| ·船舶横摇运动姿态 EMD 分解域混和智能预报仿真 | 第47-54页 |
| ·本章小结 | 第54-55页 |
| 第3章 船舶横摇运动姿态时间序列的混沌动力学研究 | 第55-77页 |
| ·引言 | 第55页 |
| ·时间序列的混沌特征分析 | 第55-60页 |
| ·Kolmogorov 熵 | 第56-57页 |
| ·混沌吸引子维数 | 第57-58页 |
| ·Lyapunov 指数 | 第58-60页 |
| ·相空间重构技术 | 第60-67页 |
| ·时间序列的相空间重构 | 第60-61页 |
| ·相空间嵌入维数的选取 | 第61-63页 |
| ·相空间时延的确定 | 第63-65页 |
| ·同时确定嵌入维数和时延 | 第65-67页 |
| ·船舶横摇运动姿态时间序列混沌动力学特征研究 | 第67-74页 |
| ·数据说明 | 第67-68页 |
| ·横摇时间序列相空间重构的参数选择研究 | 第68-69页 |
| ·横摇时间序列混沌特性的定性分析研究 | 第69-71页 |
| ·横摇时间序列的混沌特征指数分析研究 | 第71-74页 |
| ·本章小结 | 第74-77页 |
| 第4章 基于改进支持向量机的船舶横摇运动姿态混沌智能预报研究 | 第77-117页 |
| ·引言 | 第77-78页 |
| ·小波ν 支持向量机 | 第78-83页 |
| ·小波核函数的构建 | 第78-79页 |
| ·标准小波ν 支持向量机 | 第79-81页 |
| ·变异小波ν 支持向量机 | 第81-83页 |
| ·单变量鲁棒小波ν 支持向量机 | 第83-92页 |
| ·基于间隔的结构风险最小化原则 | 第83-84页 |
| ·鲁棒损失函数 | 第84-85页 |
| ·鲁棒小波ν 支持向量机 | 第85-86页 |
| ·单松弛变量鲁棒小波ν 支持向量回归模型 | 第86-90页 |
| ·单松弛变量ξ和双松弛变量 ( ξ ,ξ *)的比较 | 第90-91页 |
| ·改进支持向量机解集的讨论 | 第91-92页 |
| ·基于改进支持向量机的混沌—智能预报方法 | 第92-94页 |
| ·关于预报模型参数选择的讨论 | 第94-96页 |
| ·多种群协调进化自适应混沌粒子群算法 | 第96-106页 |
| ·基本粒子群算法 | 第96-97页 |
| ·基本粒子群算法搜索性能分析 | 第97-99页 |
| ·改进粒子群算法 | 第99-106页 |
| ·船舶横摇运动姿态混沌智能预报步骤及学习算法 | 第106-107页 |
| ·船舶横摇运动姿态预报仿真实例 | 第107-115页 |
| ·本章小结 | 第115-117页 |
| 第5章 船舶横摇运动姿态在线预报技术研究 | 第117-136页 |
| ·引言 | 第117页 |
| ·最小二乘支持向量机 | 第117-124页 |
| ·最小二乘支持向量机回归模型 | 第118-119页 |
| ·LSSVM 增量式学习算法 | 第119-121页 |
| ·LSSVM 在线式学习算法 | 第121-124页 |
| ·混沌在线最小二乘支持向量机预报方法 | 第124-127页 |
| ·固定参数预报模型 | 第124-126页 |
| ·固定参数在线预报步骤 | 第126页 |
| ·基于固定参数预报方法的船舶横摇运动姿态预报仿真 | 第126-127页 |
| ·时间序列变参数混沌 LSSVM 在线预报方法 | 第127-132页 |
| ·最小二乘支持向量机变参数在线建模策略 | 第127-129页 |
| ·变参数混沌 LSSVM 在线建模预报步骤 | 第129页 |
| ·船舶横摇运动姿态变参数混沌 LSSVM 在线预报仿真 | 第129-132页 |
| ·结果分析 | 第132-133页 |
| ·几类预报模型的比较分析 | 第133-135页 |
| ·本章小结 | 第135-136页 |
| 结论 | 第136-139页 |
| 参考文献 | 第139-150页 |
| 攻读博士学位期间发表的论文和取得的科研成果 | 第150-151页 |
| 致谢 | 第151页 |
