基于时间序列数据的水质溶解氧预测
| 中文摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 第一章 引言 | 第8-18页 |
| 1.1 研究背景和意义 | 第8-10页 |
| 1.1.1 研究背景 | 第8-9页 |
| 1.1.2 研究意义 | 第9-10页 |
| 1.2 研究现状 | 第10-16页 |
| 1.2.1 机理性水质预测模型 | 第10-11页 |
| 1.2.2 非机理性水质预测模型 | 第11-16页 |
| 1.3 存在不足 | 第16页 |
| 1.4 论文的研究思路 | 第16-17页 |
| 1.5 论文的组织结构 | 第17页 |
| 1.6 本章小结 | 第17-18页 |
| 第二章 基于时间序列数据的相关预测方法 | 第18-33页 |
| 2.1 时间序列预测法 | 第18-23页 |
| 2.1.1 时间序列预测模型的类别 | 第18-20页 |
| 2.1.2 时间序列的平稳性检验 | 第20-21页 |
| 2.1.3 时间序列的相关分析与模型阶次的辨识 | 第21-22页 |
| 2.1.4 时间序列的模型检验 | 第22-23页 |
| 2.2 灰色模型预测法 | 第23-26页 |
| 2.2.1 灰色系统理论基本原理 | 第23-24页 |
| 2.2.2 灰色GM(1,1)模型 | 第24-26页 |
| 2.3 人工神经网络预测法 | 第26-32页 |
| 2.3.1 神经元的结构 | 第26-27页 |
| 2.3.2 人工神经网络的分类 | 第27-28页 |
| 2.3.3 人工神经网络的特点 | 第28-29页 |
| 2.3.4 BP神经网络 | 第29-32页 |
| 2.4 本章小结 | 第32-33页 |
| 第三章 基于单一模型的水质溶解氧预测 | 第33-52页 |
| 3.1 研究区概况与数据来源 | 第33-34页 |
| 3.1.1 研究区概况 | 第33-34页 |
| 3.1.2 数据来源 | 第34页 |
| 3.2 水质序列的预处理 | 第34-39页 |
| 3.2.1 异常值处理 | 第34-37页 |
| 3.2.2 缺失值处理 | 第37-39页 |
| 3.3 历史水质序列的特征分析 | 第39-42页 |
| 3.3.1 水质序列的季节性分析 | 第39页 |
| 3.3.2 基于小波分析的水质序列的周期分析 | 第39-41页 |
| 3.3.3 基于日历图的水质序列可视化分析 | 第41-42页 |
| 3.4 基于单一模型的水质溶解氧预测 | 第42-51页 |
| 3.4.1 时间序列模型预测 | 第42-46页 |
| 3.4.2 灰色GM(1,1)模型预测 | 第46-50页 |
| 3.4.3 人工神经网络预测 | 第50-51页 |
| 3.5 本章小结 | 第51-52页 |
| 第四章 基于多模型组合的水质溶解氧预测 | 第52-65页 |
| 4.1 基于灰色神经网络的组合预测模型 | 第52-56页 |
| 4.1.1 灰色神经网络模型原理 | 第52页 |
| 4.1.2 灰色神经网络建模 | 第52-54页 |
| 4.1.3 水质DO灰色神经网络预测 | 第54-56页 |
| 4.1.4 组合模型与单一模型的对比分析 | 第56页 |
| 4.2 基于主成分神经网络的组合预测模型 | 第56-63页 |
| 4.2.1 主成分神经的原理 | 第56-57页 |
| 4.2.2 主成分神经网络模型及其建模步骤 | 第57页 |
| 4.2.3 序列的相关性分析 | 第57-58页 |
| 4.2.4 序列的主成分分析 | 第58-60页 |
| 4.2.5 主成分分析神经网络预测 | 第60-63页 |
| 4.3 各模型的预测效果对比分析 | 第63页 |
| 4.4 本章小结 | 第63-65页 |
| 第五章 总结与展望 | 第65-67页 |
| 5.1 主要工作总结 | 第65-66页 |
| 5.2 论文主要特色和创新 | 第66页 |
| 5.3 有待深入研究的内容 | 第66-67页 |
| 参考文献 | 第67-72页 |
| 附录 | 第72-76页 |
| 在学期间的研究成果及发表的学术论文 | 第76页 |
