| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 研究背景及意义 | 第10页 |
| 1.2 日用水量预测模型的研究进展 | 第10-16页 |
| 1.3 本文主要内容 | 第16-18页 |
| 第2章 小波分析理论 | 第18-32页 |
| 2.1 傅里叶分析基本理论 | 第18-19页 |
| 2.2 小波分析 | 第19-23页 |
| 2.2.1 连续小波变换 | 第19-20页 |
| 2.2.2 离散小波变换 | 第20-21页 |
| 2.2.3 多分辨率分析 | 第21-23页 |
| 2.3 小波降噪 | 第23-32页 |
| 2.3.1 信号降噪准则 | 第23页 |
| 2.3.2 小波降噪参数的选择 | 第23-29页 |
| 2.3.3 小波降噪常用方法 | 第29-31页 |
| 2.3.4 降噪效果评价指标 | 第31-32页 |
| 第3章 支持向量机理论 | 第32-42页 |
| 3.1 机器学习理论 | 第32-33页 |
| 3.1.1 机器学习理论基础 | 第32-33页 |
| 3.1.2 经验风险最小化 | 第33页 |
| 3.1.3 机器学习的泛化能力 | 第33页 |
| 3.2 统计学习理论 | 第33-36页 |
| 3.2.1 VC维 | 第34页 |
| 3.2.2 推广性的界 | 第34-35页 |
| 3.2.3 结构风险最小化 | 第35-36页 |
| 3.3 支持向量机 | 第36-40页 |
| 3.3.1 最优分类超平面 | 第36-38页 |
| 3.3.2 支持向量机 | 第38-39页 |
| 3.3.3 支持向量机核函数 | 第39-40页 |
| 3.4 最小二乘支持向量机 | 第40-42页 |
| 第4章 自适应差分进化算法 | 第42-46页 |
| 4.1 差分进化算法 | 第42-45页 |
| 4.1.1 差分进化算法工作原理 | 第42-44页 |
| 4.1.2 差分进化算法基本流程 | 第44-45页 |
| 4.2 自适应差分进化算法 | 第45-46页 |
| 第5章 小波自适应差分进化LSSVM法预测日用水量 | 第46-68页 |
| 5.1 日用水数据降噪处理 | 第46-48页 |
| 5.1.1 降噪小波和参数的选择 | 第46-47页 |
| 5.1.2 日用水量小波降噪 | 第47-48页 |
| 5.2 日用水量影响因素和序列相关性分析 | 第48-52页 |
| 5.2.1 城市日用水量变化特点及序列相关性分析 | 第48-51页 |
| 5.2.2 城市日用水量影响因素 | 第51-52页 |
| 5.3 小波自适应差分进化LSSVM的日用水量建模和预测 | 第52-68页 |
| 5.3.1 自适应差分进化(SADE)优化LSSVM模型参数 | 第52-53页 |
| 5.3.2 日用水量建模及预测 | 第53-68页 |
| 第6章 结论与展望 | 第68-70页 |
| 6.1 结论 | 第68-69页 |
| 6.2 展望 | 第69-70页 |
| 参考文献 | 第70-73页 |
| 作者在攻读硕士学位期间所取得的科研成果 | 第73-74页 |
| 致谢 | 第74页 |
