| 摘要 | 第1-5页 |
| ABSTRACT | 第5-7页 |
| 目录 | 第7-10页 |
| 第一章 绪论 | 第10-18页 |
| ·研究的目的和意义 | 第10页 |
| ·国内外城市日用水量预测的研究进展 | 第10-16页 |
| ·时间序列分析方法 | 第11-13页 |
| ·解释性预测方法 | 第13-16页 |
| ·存在的问题和不足 | 第16页 |
| ·本论文的主要内容 | 第16-17页 |
| ·本论文的创新点 | 第17页 |
| ·本章小结 | 第17-18页 |
| 第二章 小波分析基本理论 | 第18-29页 |
| ·Fourier变换基本理论 | 第18-19页 |
| ·连续小波变换 | 第19-20页 |
| ·离散小波变换 | 第20-21页 |
| ·多分辨分析 | 第21-22页 |
| ·小波降噪 | 第22-28页 |
| ·信号降噪的准则 | 第22页 |
| ·小波分析用于降噪的过程 | 第22-23页 |
| ·小波降噪模型 | 第23页 |
| ·小波基函数 | 第23-26页 |
| ·小波系数的阈值处理 | 第26-28页 |
| ·本章小结 | 第28-29页 |
| 第三章 支持向量机理论基础 | 第29-45页 |
| ·机器学习理论基础 | 第29-33页 |
| ·机器学习基本问题 | 第30-31页 |
| ·经验风险最小化 | 第31-32页 |
| ·学习机器的复杂度与推广能力 | 第32-33页 |
| ·统计学习理论 | 第33-37页 |
| ·VC维 | 第33-34页 |
| ·推广性的界 | 第34-35页 |
| ·结构风险最小化 | 第35-37页 |
| ·支持向量机 | 第37-42页 |
| ·最优分类超平面 | 第37-38页 |
| ·支持向量机分类 | 第38-39页 |
| ·支持向量机回归 | 第39-41页 |
| ·支持向量机核函数 | 第41-42页 |
| ·最小二乘支持向量机 | 第42-44页 |
| ·本章小结 | 第44-45页 |
| 第四章 自适应遗传算法 | 第45-56页 |
| ·传统遗传算法 | 第45-51页 |
| ·遗传算法简介 | 第45-46页 |
| ·遗传算法的基本原理 | 第46-50页 |
| ·遗传算法的基本流程 | 第50-51页 |
| ·传统遗传算法的不足与改进 | 第51-55页 |
| ·传统遗传算法的不足 | 第51-52页 |
| ·自适应遗传算法 | 第52-55页 |
| ·本章小结 | 第55-56页 |
| 第五章 基于小波变尺度混沌遗传LSSVM算法的城市日用水量预测方法 | 第56-72页 |
| ·日用水量数据的小波降噪处理 | 第56-58页 |
| ·小波参数的选取 | 第56-57页 |
| ·日用水量数据的小波降噪 | 第57-58页 |
| ·日用水量时间序列的相关性分析 | 第58-61页 |
| ·日用水量一般变化规律 | 第58页 |
| ·序列的相关性分析方法 | 第58-61页 |
| ·基于小波变尺度混沌遗传LSSVM的日用水量建模和预测 | 第61-71页 |
| ·变尺度混沌遗传算法优化LSSVM参数 | 第61-64页 |
| ·日用水量建模及预测 | 第64-71页 |
| ·本章小结 | 第71-72页 |
| 第六章 结论与展望 | 第72-74页 |
| ·研究结论 | 第72-73页 |
| ·研究展望 | 第73-74页 |
| 参考文献 | 第74-79页 |
| 致谢 | 第79-80页 |
| 攻读学位期间录用与发表的学术论文目录 | 第80页 |