| 中文摘要 | 第1-7页 |
| 英文摘要 | 第7-12页 |
| 目录 | 第12-16页 |
| 主要符号表 | 第16-19页 |
| 第一章 绪论 | 第19-37页 |
| ·前言 | 第19页 |
| ·课题的意义和重要性 | 第19-23页 |
| ·太阳辐射预测方法研究的理论意义 | 第19-20页 |
| ·太阳辐射预测为太阳能利用工程提供重要资料 | 第20-21页 |
| ·太阳辐射预测是空调负荷精确预测的关键性前提 | 第21-23页 |
| ·太阳辐射的基本知识 | 第23-25页 |
| ·太阳与地球的运动规律 | 第23-24页 |
| ·太阳概貌 | 第23页 |
| ·地球的运动规律 | 第23页 |
| ·太阳角的计算 | 第23-24页 |
| ·太阳辐射与大气层的影响 | 第24-25页 |
| ·大气层外的太阳辐射 | 第24-25页 |
| ·太阳辐射在大气中的衰减 | 第25页 |
| ·达到地球表而的太阳辐射 | 第25页 |
| ·常用的太阳辐射模型 | 第25-26页 |
| ·预测技术概述 | 第26-31页 |
| ·预测方法的分类 | 第26-27页 |
| ·常用的预测技术 | 第27-30页 |
| ·回归分析法 | 第27页 |
| ·时间序列模型法 | 第27-28页 |
| ·卡尔曼滤波法 | 第28页 |
| ·灰色模型法 | 第28页 |
| ·模糊预测法 | 第28页 |
| ·专家系统法 | 第28-29页 |
| ·小波分析法 | 第29页 |
| ·人工神经网络法 | 第29-30页 |
| ·国际上两次有影响的负荷预测竞赛活动 | 第30-31页 |
| ·本文的研究内容和方法 | 第31-34页 |
| ·本文的研究内容和目标 | 第31-32页 |
| ·本文研究方法 | 第32-34页 |
| ·本章小结 | 第34页 |
| 参考文献 | 第34-37页 |
| 第二章 人工神经网络技术简介 | 第37-53页 |
| ·人工神经网络的发展历史 | 第37-38页 |
| ·神经网络基本理论 | 第38-47页 |
| ·人工神经元 | 第39-41页 |
| ·人工神经元模型 | 第39-40页 |
| ·激励函数 | 第40-41页 |
| ·神经网络模型 | 第41-43页 |
| ·前向神经网络 | 第41-42页 |
| ·反馈神经网络 | 第42-43页 |
| ·神经网络学习方法 | 第43页 |
| ·网络学习方式 | 第43页 |
| ·网络学习规则 | 第43页 |
| ·几种典型的神经网络 | 第43-47页 |
| ·BP网络 | 第43-46页 |
| ·递归BP网络 | 第46-47页 |
| ·神经网络的魅力和局限性 | 第47页 |
| ·改进的神经网络模型和组合神经网络模型 | 第47-49页 |
| ·学习和训练算法方面的改进 | 第47-48页 |
| ·输入变量选择和处理方面的改进 | 第48-49页 |
| ·模型结构方面的改进 | 第49页 |
| ·本章小结 | 第49-50页 |
| 参考文献 | 第50-53页 |
| 第三章 小波分析、小波神经网络及模糊理论简介 | 第53-67页 |
| ·小波分析基本理论简介 | 第53-60页 |
| ·小波变换 | 第53-55页 |
| ·多分辨率分析 | 第55-57页 |
| ·Mallat算法 | 第57-58页 |
| ·几种常用的基本小波 | 第58-60页 |
| ·Haar小波 | 第58-59页 |
| ·Daubechies小波系 | 第59页 |
| ·MexicanHat小波 | 第59页 |
| ·Morlet小波 | 第59-60页 |
| ·模糊技术简介 | 第60-64页 |
| ·模糊集合与隶属函数 | 第60-63页 |
| ·模糊规则和模糊推理 | 第63页 |
| ·模糊量的反模糊化 | 第63-64页 |
| ·本章小结 | 第64-65页 |
| 参考文献 | 第65-67页 |
| 第四章 太阳辐射复合预测模型理论研究 | 第67-87页 |
| ·太阳辐射建模用各因素分析 | 第67-68页 |
| ·太阳总辐射建模用各因素分析 | 第67-68页 |
| ·太阳散射辐射建模用各因素分析 | 第68页 |
| ·神经网络输入数据处理 | 第68-77页 |
| ·太阳辐射逐日数据序列的小波分解 | 第68-72页 |
| ·太阳辐射数据序列的相关性分析 | 第72-73页 |
| ·天气情况的模糊化处理 | 第73-77页 |
| ·气象预测模糊量的反模糊化 | 第73-74页 |
| ·气象预测模糊量的修正 | 第74-77页 |
| ·太阳辐射对角递归小波神经网络预测模型的建立 | 第77-82页 |
| ·小波神经网络的建立 | 第77-80页 |
| ·小波神经网络的定义 | 第77页 |
| ·小波神经网络模型 | 第77-79页 |
| ·小波神经网络的学习算法 | 第79页 |
| ·小波神经网络与BP网络的比较 | 第79-80页 |
| ·小波神经网络应用于函数逼近 | 第80页 |
| ·对角递归归小波BP神经网络的建立 | 第80-81页 |
| ·太阳辐射对角递归小波BP神经网络复合预测模型的建立 | 第81-82页 |
| ·网络的训练算法 | 第82-85页 |
| ·附加动量法 | 第83-84页 |
| ·自适应变步长法 | 第84页 |
| ·带动量的自适应变步长学习法 | 第84-85页 |
| ·本章小结 | 第85-86页 |
| 参考文献 | 第86-87页 |
| 第五章 太阳辐射复合预测模型研究 | 第87-131页 |
| ·建模用资料数据 | 第87-89页 |
| ·太阳辐射逐日预测模型用资料数据 | 第87-88页 |
| ·太阳辐射逐时预测模型用资料数据 | 第88-89页 |
| ·网络结构的确定 | 第89-107页 |
| ·太阳总辐射逐日复合预测模型 | 第89-96页 |
| ·太阳日总辐射历史数据的相关性分析 | 第91-93页 |
| ·天气状况的模糊化处理 | 第93-94页 |
| ·太阳总辐射逐日预测网络拓扑结构 | 第94-96页 |
| ·太阳散射辐射逐日复合预测模型 | 第96-100页 |
| ·太阳日散射辐射历史数据的小波预分解 | 第96页 |
| ·太阳日散射辐射历史数据的相关性分析 | 第96-98页 |
| ·太阳散射辐射逐日预测网络拓扑结构 | 第98-100页 |
| ·太阳总辐射逐吋复合预测模型 | 第100-104页 |
| ·太阳日总辐射逐时历史数据的相关性分析 | 第101-103页 |
| ·天气状况的模糊化处理 | 第103-104页 |
| ·太阳总辐射逐时预测网络拓扑结构 | 第104页 |
| ·太阳散射辐射逐时复合预测模型 | 第104-107页 |
| ·太阳日总辐射逐时历史数据的相关性分析 | 第105-106页 |
| ·太阳总辐射逐日预测网络拓扑结构 | 第106-107页 |
| ·网络的训练 | 第107-114页 |
| ·输入数据的归一化 | 第107-108页 |
| ·小波神经网络隐层母函数的确定 | 第108页 |
| ·网络初始值的确定 | 第108-111页 |
| ·初始权值的确定 | 第109-110页 |
| ·尺度因子和平移因子初始值的确定 | 第110-111页 |
| ·网络的分阶段训练过程 | 第111-114页 |
| ·模型实例训练与仿真预测 | 第114-122页 |
| ·太阳总辐射逐日复合预测模型 | 第114-115页 |
| ·太阳散射辐射逐日复合预测模型 | 第115页 |
| ·太阳散射辐射逐日复合预测级联模型 | 第115页 |
| ·太阳总辐射逐时复合预测模型 | 第115-116页 |
| ·太阳散射辐射逐时复合预测模型 | 第116-122页 |
| ·与常用模型间的性能比较 | 第122-127页 |
| ·DTN模型与Angstrom-Prescott等模型的比较 | 第122-123页 |
| ·DDN模型与Liu-Jordan等模型的比较 | 第123-125页 |
| ·HTN模型与C-P&R等模型的比较 | 第125-126页 |
| ·HDN模型与Numan等模型的比较 | 第126-127页 |
| ·本章小结 | 第127-129页 |
| 参考文献 | 第129-131页 |
| 第六章 论文结论及研究展望 | 第131-139页 |
| ·本文的初步结论和研究成果 | 第131-134页 |
| ·本文的创新点 | 第134-136页 |
| ·本文的不足与下一步的工作 | 第136-139页 |
| 附录: | 第139-140页 |
| 攻读硕士学位期间发表论文 | 第139-140页 |
| 致谢 | 第140页 |