| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-13页 |
| 1.1 论文的研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 论文主要研究内容 | 第11-13页 |
| 2 稀疏表示理论基础 | 第13-21页 |
| 2.1 稀疏编码 | 第14-18页 |
| 2.1.1 贪婪算法 | 第14-17页 |
| 2.1.2 松弛算法 | 第17-18页 |
| 2.2 字典构造 | 第18-20页 |
| 2.2.1 自适应的数据字典 | 第19页 |
| 2.2.2 字典学习算法 | 第19-20页 |
| 2.3 小结 | 第20-21页 |
| 3 基于稀疏特征的支持向量机时间序列预测模型 | 第21-31页 |
| 3.1 SR-SVM预测模型 | 第21-25页 |
| 3.1.1 稀疏特征的提取 | 第21-22页 |
| 3.1.2 SVM预测模型 | 第22-24页 |
| 3.1.3 算法实现 | 第24-25页 |
| 3.2 混沌时间序列预测 | 第25-29页 |
| 3.2.1 Henon混沌序列单步预测 | 第25-27页 |
| 3.2.2 Mackey-Glass混沌序列多步预测 | 第27-29页 |
| 3.3 小结 | 第29-31页 |
| 4 基于自适应字典的稀疏编码方法在时间序列预测中的应用 | 第31-52页 |
| 4.1 基于自适应字典的稀疏编码方法 | 第31-34页 |
| 4.1.1 基于BPDN的Basic-sparse方法 | 第32-33页 |
| 4.1.2 基于弹性网络的EN-sparse方法 | 第33-34页 |
| 4.1.3 在线字典更新策略 | 第34页 |
| 4.2 混沌时间序列预测 | 第34-36页 |
| 4.3 风电功率时间序列直接预测实例 | 第36-40页 |
| 4.3.1 风电功率直接预测模型 | 第36-37页 |
| 4.3.2 实验数据的选取 | 第37-38页 |
| 4.3.3 预测结果分析 | 第38-40页 |
| 4.4 风电功率时间序列间接预测实例 | 第40-51页 |
| 4.4.1 风电功率间接预测模型 | 第40-41页 |
| 4.4.2 实验数据的选取 | 第41页 |
| 4.4.3 等效风功曲线 | 第41-44页 |
| 4.4.4 预测结果分析 | 第44-51页 |
| 4.5 小结 | 第51-52页 |
| 结论 | 第52-53页 |
| 致谢 | 第53-54页 |
| 参考文献 | 第54-57页 |
| 攻读学位期间的研究成果 | 第57页 |
