| 致谢 | 第3-4页 |
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-9页 |
| 第一章 引言 | 第14-23页 |
| 1.1 地球自转参数预报意义 | 第14-16页 |
| 1.2 地球自转参数预报现状 | 第16-22页 |
| 1.3 本文主要研究内容 | 第22-23页 |
| 第二章 地球自转参数预报基础 | 第23-33页 |
| 2.1 地球自转参数测定 | 第23-26页 |
| 2.1.1 地球自转参数观测手段 | 第23-24页 |
| 2.1.2 地球自转参数观测序列 | 第24-26页 |
| 2.2 地球自转的多尺度变化 | 第26-31页 |
| 2.2.1 UT1-UTC/日长变化 | 第27-29页 |
| 2.2.1.1 长期缓慢变化 | 第27页 |
| 2.2.1.2 10年尺度波动 | 第27-28页 |
| 2.2.1.3 年际变化 | 第28页 |
| 2.2.1.4 季节与亚季节性变化 | 第28页 |
| 2.2.1.5 周日与半周日变化 | 第28-29页 |
| 2.2.2 极移 | 第29-31页 |
| 2.2.2.1 长趋势变化 | 第29页 |
| 2.2.2.2 10年尺度变化 | 第29-30页 |
| 2.2.2.3 Chandler摆动 | 第30页 |
| 2.2.2.4 季节性变化 | 第30页 |
| 2.2.2.5 高频变化 | 第30-31页 |
| 2.3 预报质量评价标准 | 第31页 |
| 2.4 本章小结 | 第31-33页 |
| 第三章 地球自转参数资料预处理 | 第33-42页 |
| 3.1 本文地球自转参数资料来源 | 第33页 |
| 3.2 扣除UT1-UTC序列中的闰秒 | 第33-35页 |
| 3.3 扣除UT1-UTC与日长变化序列中的潮汐项 | 第35-36页 |
| 3.4 周期项与随机项的拟合分离 | 第36-40页 |
| 3.4.1 频谱分析 | 第36-38页 |
| 3.4.2 最小二乘拟合 | 第38-40页 |
| 3.5 地球自转参数预报流程 | 第40-41页 |
| 3.6 本章小结 | 第41-42页 |
| 第四章 地球自转参数预报方法的改进 | 第42-74页 |
| 4.1 ARMA模型 | 第42-45页 |
| 4.1.1 模型定义 | 第42-43页 |
| 4.1.2 模型识别 | 第43-44页 |
| 4.1.3 模型定阶 | 第44页 |
| 4.1.4 模型参数估计 | 第44-45页 |
| 4.2 不同预报模式预报地球自转参数对比 | 第45-52页 |
| 4.2.1 递推预报模式 | 第46-47页 |
| 4.2.2 新陈代谢预报模式 | 第47-48页 |
| 4.2.3 间隔预报模式 | 第48-49页 |
| 4.2.4 实例对比 | 第49-51页 |
| 4.2.5 总结分析 | 第51-52页 |
| 4.3 最小二乘拟合端部效应的改善 | 第52-59页 |
| 4.3.1 模型建立 | 第53页 |
| 4.3.2 模拟实验 | 第53-55页 |
| 4.3.3 实例对比 | 第55-59页 |
| 4.3.3.1 端部效应改善前后最小二乘拟合残差对比 | 第55-57页 |
| 4.3.3.2 端部效应改善前后预报精度对比 | 第57-59页 |
| 4.3.3.3 总结分析 | 第59页 |
| 4.4 差分方法提高UT1-UTC预报精度 | 第59-65页 |
| 4.4.1 UT1-UTC差分预报原理 | 第60-61页 |
| 4.4.2 差分前后UT1-UTC序列与预报模型的适应性对比 | 第61-63页 |
| 4.4.3 差分前后UT1-UTC预报精度对比 | 第63-64页 |
| 4.4.4 总结分析 | 第64-65页 |
| 4.5 地球自转参数预报中基础序列长度的优化选取 | 第65-68页 |
| 4.5.1 实例对比 | 第65-68页 |
| 4.5.2 总结分析 | 第68页 |
| 4.6 与其他学者对比 | 第68-72页 |
| 4.6.1 实例对比 | 第68-71页 |
| 4.6.2 总结分析 | 第71-72页 |
| 4.7 本章小结 | 第72-74页 |
| 第五章 基于神经网络的地球自转参数预报 | 第74-97页 |
| 5.1 神经网络基本理论 | 第74-78页 |
| 5.1.1 神经网络概念 | 第74-75页 |
| 5.1.2 神经网络发展简史 | 第75-76页 |
| 5.1.3 人工神经元模型 | 第76-77页 |
| 5.1.4 神经网络特征、功能、分类以及与传统计算的对比 | 第77-78页 |
| 5.2 极限学习机神经网络 | 第78-80页 |
| 5.3 地球自转参数预报的神经网络模型构造 | 第80-89页 |
| 5.3.1 输入/输出模式 | 第80-83页 |
| 5.3.1.1 基于间隔模式的多输入/单输出 | 第80-81页 |
| 5.3.1.2 基于连续模式的多输入/单输出 | 第81-82页 |
| 5.3.1.3 基于递推模式的多输入/单输出 | 第82-83页 |
| 5.3.2 网络拓扑结构设计 | 第83-88页 |
| 5.3.2.1 输入层和输出层神经元数 | 第84页 |
| 5.3.2.2 隐含层神经元数 | 第84-88页 |
| 5.3.3 本文采用的神经网络算法流程 | 第88-89页 |
| 5.4 不同输入/输出模式预报地球自转参数对比 | 第89-92页 |
| 5.4.1 实例对比 | 第89-91页 |
| 5.4.2 总结分析 | 第91-92页 |
| 5.5 与其他学者对比 | 第92-96页 |
| 5.5.1 实例对比 | 第92-95页 |
| 5.5.2 总结分析 | 第95-96页 |
| 5.6 本章小结 | 第96-97页 |
| 第六章 地球自转参数联合预报 | 第97-118页 |
| 6.1 经验模态分解与神经网络联合预报极移 | 第97-104页 |
| 6.1.1 联合经验模态分解与神经网络 | 第97-100页 |
| 6.1.1.1 经验模态分解 | 第97-99页 |
| 6.1.1.2 预报流程 | 第99-100页 |
| 6.1.2 实验过程 | 第100-101页 |
| 6.1.3 实例对比 | 第101-104页 |
| 6.1.4 总结分析 | 第104页 |
| 6.2 灰色系统与神经网络联合预报UT1-UTC和日长变化 | 第104-111页 |
| 6.2.1 灰色预测方法与神经网络的互补性 | 第105-106页 |
| 6.2.2 联合灰色系统与神经网络 | 第106-108页 |
| 6.2.3 实例对比 | 第108-111页 |
| 6.2.4 总结分析 | 第111页 |
| 6.3 地球自转参数联合预报 | 第111-115页 |
| 6.3.1 联合预报模型 | 第111-113页 |
| 6.3.2 实例对比 | 第113-114页 |
| 6.3.3 总结分析 | 第114-115页 |
| 6.4 NTSC ERP每日例行预报 | 第115-117页 |
| 6.5 本章小结 | 第117-118页 |
| 第七章 总结与展望 | 第118-122页 |
| 7.1 现有工作总结 | 第118-121页 |
| 7.2 未来工作展望 | 第121-122页 |
| 参考文献 | 第122-130页 |
| 附录A | 第130-133页 |
| 附录B | 第133-135页 |
| 附录C | 第135-136页 |
| 作者简介及在学期间发表的学术论文与研究成果 | 第136-137页 |
