| 中文摘要 | 第4-5页 |
| 英文摘要 | 第5页 |
| 第1章 绪论 | 第8-12页 |
| 1.1 研究目的和意义 | 第8-9页 |
| 1.2 研究现状及方法 | 第9-10页 |
| 1.3 文章的主要研究内容及结构安排 | 第10-11页 |
| 1.4 论文撰写结构路线 | 第11-12页 |
| 第2章 区域选择与数据资料整理 | 第12-15页 |
| 2.1 研究区域概况 | 第12页 |
| 2.2 影响降水的外部因素 | 第12-13页 |
| 2.3 资料来源 | 第13-15页 |
| 第3章 降水与外部预报因子线性预报模型研究 | 第15-25页 |
| 3.1 预报量和预报因子的统计特征 | 第15-18页 |
| 3.1.1 预报量的有关特征及相关检验 | 第15-17页 |
| 3.1.2 预报因子的基本特征及主要因子筛选 | 第17-18页 |
| 3.2 普通最小二乘模型及其局限性 | 第18-19页 |
| 3.3 偏最小二乘回归线性模型 | 第19-22页 |
| 3.3.1 偏最小二乘回归理论分析 | 第19-20页 |
| 3.3.2 偏最小二乘回归建模原理 | 第20-22页 |
| 3.4 PLS模型下吉林省夏季降雨量的研究分析结果 | 第22-25页 |
| 第4章 LASSO及变量选择 | 第25-32页 |
| 4.1 Lasso方法的介绍 | 第25-29页 |
| 4.1.1 Lasso方法的定义 | 第25-26页 |
| 4.1.2 Lasso方法的意义 | 第26-27页 |
| 4.1.3 调和参数的λ的估计 | 第27-29页 |
| 4.2 Lasso算法的实现 | 第29页 |
| 4.3 Lasso回归的建模 | 第29-32页 |
| 第5章 均生函数预测模型 | 第32-42页 |
| 5.1 均生函数思想方法 | 第32-33页 |
| 5.2 均生函数及其外延拓序列的构造 | 第33-34页 |
| 5.2.1 均值生成函数 | 第33-34页 |
| 5.2.2 均值函数的延拓序列 | 第34页 |
| 5.3 均生函数预报模型的建立 | 第34-38页 |
| 5.3.1 均生函数Lasso建模步骤 | 第35页 |
| 5.3.2 均生函数模型拟合预测效果分析 | 第35-38页 |
| 5.4 环流因子和均生函数延拓序列双重因子Lasso回归模型 | 第38-42页 |
| 5.4.1 预报思路和预报流程 | 第38-39页 |
| 5.4.2 模型预报结果检验 | 第39-42页 |
| 第6章 降水量的神经网络混合预报模型 | 第42-56页 |
| 6.1 神经网络基本思想原理 | 第42-45页 |
| 6.1.1 BP-神经网络 | 第42-43页 |
| 6.1.2 BP-神经网络的结构设计与参数设置 | 第43-45页 |
| 6.2 BP神经网络模型建模步骤 | 第45-46页 |
| 6.3 吉林省夏季降水量的BP神经网络模型实验结果 | 第46-56页 |
| 6.3.1 吉林省夏季降水量实验数据的定量分析 | 第46-49页 |
| 6.3.2 4种不同预报模型预报的降水量变化曲线分析 | 第49-54页 |
| 6.3.3 人工神经网络混合模型的应用小结 | 第54-56页 |
| 结论 | 第56-58页 |
| 参考文献 | 第58-64页 |
| 致谢 | 第64页 |
