| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 引言 | 第12-20页 |
| 1.1 选题背景和意义 | 第12-14页 |
| 1.1.1 混沌理论的产生和意义 | 第12-13页 |
| 1.1.2 分形理论的产生和意义 | 第13-14页 |
| 1.1.3 混沌与分形的关系 | 第14页 |
| 1.2 研究现状 | 第14-20页 |
| 1.2.1 最大Lyapunov指数 | 第14-16页 |
| 1.2.2 关联维数 | 第16-17页 |
| 1.2.3 本文研究内容 | 第17-18页 |
| 1.2.4 论文组织 | 第18-20页 |
| 第2章 预备知识 | 第20-40页 |
| 2.1 混沌理论 | 第20-29页 |
| 2.1.1 混沌的定义 | 第20-21页 |
| 2.1.2 混沌的特征 | 第21页 |
| 2.1.3 重构相空间 | 第21-23页 |
| 2.1.4 Lyapunov指数 | 第23-29页 |
| 2.2 分形维数 | 第29-31页 |
| 2.2.1 Hausdorff维数 | 第30页 |
| 2.2.2 盒子维数 | 第30-31页 |
| 2.2.3 信息维数 | 第31页 |
| 2.2.4 相似维数 | 第31页 |
| 2.3 机器学习 | 第31-32页 |
| 2.4 智能算法 | 第32-35页 |
| 2.4.1 模拟退火算法 | 第33-34页 |
| 2.4.2 遗传算法 | 第34-35页 |
| 2.5 太阳活动 | 第35-40页 |
| 第3章 一种基于模糊C均值聚类的小数据量计算最大Lyapunov指数的新方法 | 第40-58页 |
| 3.1 引言 | 第40-41页 |
| 3.2 方法 | 第41-48页 |
| 3.2.1 小数据量方法 | 第41-43页 |
| 3.2.2 模糊C均值聚类算法 | 第43-44页 |
| 3.2.3 模拟退火算法 | 第44页 |
| 3.2.4 遗传算法 | 第44-45页 |
| 3.2.5 一种基于模糊C均值聚类的小数据量计算最大Lyapunov指数的新方法 | 第45-47页 |
| 3.2.6 模拟退火遗传模糊C均值聚类算法 | 第47-48页 |
| 3.2.7 一种基于模拟退火遗传模糊C均值聚类的小数据量计算最大Lyapunov指数的新方法 | 第48页 |
| 3.3 方法的合理性验证 | 第48-49页 |
| 3.4 抗噪声能力测试 | 第49-54页 |
| 3.5 数据长度对新方法的影响 | 第54-57页 |
| 3.6 结论 | 第57-58页 |
| 第4章 一种计算关联维数的新方法 | 第58-70页 |
| 4.1 引言 | 第58-59页 |
| 4.2 方法 | 第59-62页 |
| 4.2.1 G-P算法 | 第59-60页 |
| 4.2.2 模拟退火遗传模糊C均值聚类算法 | 第60页 |
| 4.2.3 一种基于智能算法的模糊C均值聚类计算关联维数的新方法 | 第60-62页 |
| 4.3 方法的合理性验证 | 第62-64页 |
| 4.4 抗噪声能力测试 | 第64-66页 |
| 4.5 数据长度对新方法的影响 | 第66-69页 |
| 4.6 结论 | 第69-70页 |
| 第5章 太阳长期活动的混沌与分形特征 | 第70-80页 |
| 5.1 引言 | 第70页 |
| 5.2 数据 | 第70-71页 |
| 5.3 方法 | 第71-74页 |
| 5.3.1 定性方法 | 第71-72页 |
| 5.3.2 定量方法 | 第72-74页 |
| 5.4 结果和讨论 | 第74-79页 |
| 5.4.1 定性分析 | 第74-76页 |
| 5.4.2 定量分析 | 第76-79页 |
| 5.5 结论 | 第79-80页 |
| 第6章 太阳高纬和低纬活动现象的混沌与分形特征 | 第80-92页 |
| 6.1 引言 | 第80-81页 |
| 6.2 数据与方法 | 第81-84页 |
| 6.2.1 观测数据 | 第81-82页 |
| 6.2.2 方法 | 第82-84页 |
| 6.3 结果与讨论 | 第84-89页 |
| 6.4 结论 | 第89-92页 |
| 第7章 总结与展望 | 第92-94页 |
| 7.1 研究总结 | 第92页 |
| 7.2 展望 | 第92-94页 |
| 参考文献 | 第94-104页 |
| 攻读博士期间的成果 | 第104-106页 |
| 致谢 | 第106页 |
