| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-18页 |
| 1.1 课题研究的目的和意义 | 第11-12页 |
| 1.2 起重机主动式升沉预测国内外研究现状 | 第12-16页 |
| 1.3 国内外船舶运动算法小结 | 第16页 |
| 1.4 本文的主要研究的内容 | 第16-18页 |
| 第二章 起重机主动式升沉运动预测补偿理论研究 | 第18-25页 |
| 2.1 前言 | 第18页 |
| 2.2 船舶在波浪中的运动 | 第18-20页 |
| 2.3 主动式升沉补偿原理 | 第20页 |
| 2.4 起重机升沉补偿预测总体方案 | 第20-22页 |
| 2.5 建模数据来源与滤波 | 第22-24页 |
| 2.5.1 建模数据来源 | 第22-23页 |
| 2.5.2 数据滤波 | 第23-24页 |
| 2.6 本章小结 | 第24-25页 |
| 第三章 基于时间序列预测算法 | 第25-40页 |
| 3.1 时间序列模型概述 | 第25-26页 |
| 3.1.1 AR（p）模型 | 第25页 |
| 3.1.2 MA（q）模型 | 第25-26页 |
| 3.1.3 ARMA（p,q）模型 | 第26页 |
| 3.2 时间序列模型的选定 | 第26-30页 |
| 3.2.1 时间序列的特征函数 | 第26-29页 |
| 3.2.2 时间序列模型结构识别 | 第29-30页 |
| 3.3 船舶起重机升沉运动预报时间序列模型的确定 | 第30-33页 |
| 3.4 时间序列模型的建立 | 第33-35页 |
| 3.4.1 模型阶次的确定 | 第33-35页 |
| 3.4.2 模型参数的确定 | 第35页 |
| 3.5 利用 AR(P)时间序列模型预报及结果分析 | 第35-38页 |
| 3.6 本章小结 | 第38-40页 |
| 第四章 基于 ELMAN 和 PSO-SVR 神经网络升沉预测模型 | 第40-59页 |
| 4.1 引言 | 第40页 |
| 4.2 ELMAN 神经网络 | 第40-43页 |
| 4.2.1 Elman 神经网络的概述 | 第40-42页 |
| 4.2.2 Elman 神经网络的学习算法 | 第42-43页 |
| 4.3 SVR 算法 | 第43-45页 |
| 4.4 基本粒子群优化算法 | 第45-47页 |
| 4.5 神经网络预测 | 第47-58页 |
| 4.5.1 基于 Elman 神经网络的起重机升沉运动预测 | 第47-51页 |
| 4.5.2 基于 PSO-SVR 神经网络的起重机升沉运动预测 | 第51-56页 |
| 4.5.3 Elman 与 PSO-SVR 神经网络预测模型的性能比较 | 第56-58页 |
| 4.6 本章总结 | 第58-59页 |
| 第五章 基于小波分析的 ELMAN 和 PSO-SVR 预测算法 | 第59-88页 |
| 5.1 引言 | 第59页 |
| 5.2 小波变换 | 第59-62页 |
| 5.2.1 连续小波变换 | 第59-61页 |
| 5.2.2 离散小波变换 | 第61页 |
| 5.2.3 二进制小波变换 | 第61-62页 |
| 5.3 常用的离散小波函数分析 | 第62-67页 |
| 5.3.1 常用的离散小波函数 | 第62-65页 |
| 5.3.2 小波函数的选取 | 第65-67页 |
| 5.4 多分辨率分析和小波最优分解层数的选取 | 第67-75页 |
| 5.4.1 多分辨分析 | 第67-70页 |
| 5.4.2 Mallat 算法 | 第70-71页 |
| 5.4.3 小波多分辨分解层数的选取 | 第71-72页 |
| 5.4.4 小波多分辨率分解的信号能量分布 | 第72-75页 |
| 5.6 基于小波分析的 PSO-SVR 的预报 | 第75-81页 |
| 5.6.1 基于小波分析的 PSO-SVR 的预报流程 | 第75-76页 |
| 5.6.2 小波基函数及分解层数的确定 | 第76-81页 |
| 5.7 基于小波分析的 ELMAN 的预报 | 第81-86页 |
| 5.7.1 基于小波分析的 Elman 的预报流程 | 第81-82页 |
| 5.7.2 小波基函数及分解层数的确定 | 第82-86页 |
| 5.8 本章小结 | 第86-88页 |
| 第六章 总结与展望 | 第88-90页 |
| 总结 | 第88-89页 |
| 展望 | 第89-90页 |
| 参考文献 | 第90-94页 |
| 攻读硕士学位期间取得的研究成果 | 第94-95页 |
| 致谢 | 第95-96页 |
| 附件 | 第96页 |
