| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 第一章 绪论 | 第8-12页 |
| 1.1 课题研究背景及意义 | 第8-9页 |
| 1.2 冰蓄冷空调研究现状 | 第9-10页 |
| 1.3 目前冰蓄冷空调负荷预测方法 | 第10-11页 |
| 1.4 本文的结构安排 | 第11页 |
| 1.5 本章小结 | 第11-12页 |
| 第二章 支持向量机 | 第12-27页 |
| 2.1 统计学习理论介绍 | 第12-17页 |
| 2.1.1 学习一致性的问题 | 第12-13页 |
| 2.1.2 VC维理论 | 第13-14页 |
| 2.1.3 推广性的界 | 第14-15页 |
| 2.1.4 结构风险最小化原理 | 第15-16页 |
| 2.1.5 经验风险最小化原理 | 第16-17页 |
| 2.2 支持向量机原理 | 第17-22页 |
| 2.2.1 SVM概述 | 第17页 |
| 2.2.2 SVM的基本数学知识 | 第17-19页 |
| 2.2.3 SVM回归原理 | 第19-20页 |
| 2.2.4 线性SVM回归机 | 第20-21页 |
| 2.2.5 非线性SVM回归机 | 第21-22页 |
| 2.2.6 最优回归面 | 第22页 |
| 2.3 SVM核函数及模型的选择 | 第22-24页 |
| 2.3.1 核函数的选择 | 第22-23页 |
| 2.3.2 SVM模型搭建 | 第23-24页 |
| 2.4 特征提取 | 第24-25页 |
| 2.5 支持向量机的经典算法 | 第25页 |
| 2.6 本章小结 | 第25-27页 |
| 第三章 支持向量机的三种不同核函数对比研究 | 第27-42页 |
| 3.1 支持向量机的模型建立 | 第27-31页 |
| 3.1.1 支持向量回归机常用的算法 | 第27页 |
| 3.1.2 主元分析法(PCA) | 第27-28页 |
| 3.1.3 ε-SVR算法 | 第28-29页 |
| 3.1.4 v-SVR算法 | 第29-30页 |
| 3.1.5 LS-SVR算法 | 第30-31页 |
| 3.2 支持向量机建模的核心技术 | 第31-32页 |
| 3.2.1 核函数选取 | 第31页 |
| 3.2.2 参数的选取及优化 | 第31-32页 |
| 3.2.3 SVM回归模型的选择 | 第32页 |
| 3.3 三种不同核函数SVM回归结果的仿真与分析 | 第32-40页 |
| 3.3.1 数据的来源与评价指标 | 第32-33页 |
| 3.3.2 ε-SVR模型的仿真与分析 | 第33-35页 |
| 3.3.3 v-SVR模型的仿真与分析 | 第35-38页 |
| 3.3.4 LS-SVR模型的仿真与分析 | 第38-40页 |
| 3.4 仿真分析 | 第40-41页 |
| 3.5 本章小结 | 第41-42页 |
| 第四章 三种改进SVM空调负荷模型的对比 | 第42-56页 |
| 4.1 支持向量机空调负荷研究现状 | 第42页 |
| 4.2 支持向量机的负荷预测模型建立步骤 | 第42-43页 |
| 4.3 SVM软件 | 第43-45页 |
| 4.3.1 LIBSVM工具箱 | 第43-44页 |
| 4.3.2 LS-SVM工具箱 | 第44-45页 |
| 4.4 三种改进SVM负荷预测模型的对比 | 第45-49页 |
| 4.4.1 ε-SVR空调负荷预测的建模 | 第45-46页 |
| 4.4.2 v-SVR空调负荷预测的建模 | 第46-47页 |
| 4.4.3 LS-SVR空调负荷预测的建模 | 第47-48页 |
| 4.4.4 核函数的选取 | 第48-49页 |
| 4.5 数据处理 | 第49-50页 |
| 4.5.1 输入输出参数 | 第49页 |
| 4.5.2 数据预处理 | 第49-50页 |
| 4.6 空调负荷预测结果的仿真与分析 | 第50页 |
| 4.6.1 工程概况及数据的选取 | 第50页 |
| 4.6.2 参数选取及评价指标 | 第50页 |
| 4.7 仿真与分析 | 第50-55页 |
| 4.7.1 v-SVR和ε-SVR负荷预测模型的对比 | 第50-53页 |
| 4.7.2 LS-SVR空调负荷预测模型建立与分析 | 第53-55页 |
| 4.8 本章小结 | 第55-56页 |
| 第五章 基于BP神经网络与LS-SVR负荷预测模型的对比 | 第56-67页 |
| 5.1 神经网络现状 | 第56页 |
| 5.2 人工神经网络的学习方法 | 第56-57页 |
| 5.3 BP人工神经网络 | 第57-59页 |
| 5.3.1 神经元模型—感知器 | 第57-58页 |
| 5.3.2 BP神经网络模型的算法 | 第58-59页 |
| 5.4 神经网络预测模型 | 第59-66页 |
| 5.4.1 神经网络工具箱的介绍 | 第59-60页 |
| 5.4.2 BP人工神经网络模型的搭建 | 第60-64页 |
| 5.4.3 BP神经网络与支持向量机分析对比 | 第64-66页 |
| 5.5 本章小结 | 第66-67页 |
| 总结与展望 | 第67-68页 |
| 参考文献 | 第68-72页 |
| 论文发表情况 | 第72-73页 |
| 致谢 | 第73页 |
