| 摘要 | 第2-3页 |
| Abstract | 第3-4页 |
| 1 绪论 | 第7-13页 |
| 1.1 课题的研究背景及意义 | 第7-8页 |
| 1.2 国内外研究现状 | 第8-12页 |
| 1.3 本文的主要内容及结构 | 第12-13页 |
| 2 经验模态分解算法概述 | 第13-22页 |
| 2.1 经验模态分解算法的基本概念 | 第13-15页 |
| 2.2 经验模态分解算法的研究进展 | 第15-17页 |
| 2.3 经验模态分解算法的几种改进方法 | 第17-21页 |
| 2.3.1 集成经验模态分解 | 第17-19页 |
| 2.3.2 完整集成经验模态分解 | 第19页 |
| 2.3.3 具有自适应噪声的完整集成经验模态分解 | 第19-21页 |
| 2.4 小结 | 第21-22页 |
| 3 基于集成经验模态分解和回声状态网络的组合预测模型 | 第22-37页 |
| 3.1 基本算法介绍 | 第22-24页 |
| 3.1.1 排序熵 | 第22-23页 |
| 3.1.2 回声状态网络 | 第23-24页 |
| 3.2 一种改进的基于EEMD和ESN的组合预测模型 | 第24-27页 |
| 3.2.1 基于EMD和神经网络的组合预测模型 | 第24-25页 |
| 3.2.2 基于EEMD-PE和ESN的组合预测模型 | 第25-27页 |
| 3.3 仿真实验分析 | 第27-36页 |
| 3.3.1 Lorenz数据仿真实验 | 第28-32页 |
| 3.3.2 黄河径流数据仿真实验 | 第32-36页 |
| 3.4 小结 | 第36-37页 |
| 4 基于两层分解技术和优化神经网络的组合预测模型 | 第37-53页 |
| 4.1 基本算法介绍 | 第37-44页 |
| 4.1.1 变分模态分解 | 第37-39页 |
| 4.1.2 样本熵 | 第39-40页 |
| 4.1.3 萤火虫优化算法 | 第40-42页 |
| 4.1.4 反向传播神经网络 | 第42-44页 |
| 4.2 一种基于两层分解技术和BP神经网络的组合预测模型 | 第44-46页 |
| 4.3 仿真实验分析 | 第46-52页 |
| 4.4 小结 | 第52-53页 |
| 结论 | 第53-54页 |
| 参考文献 | 第54-59页 |
| 攻读硕士学位期间参与项目情况 | 第59页 |
| 攻读硕士学位期间发表学术论文情况 | 第59-60页 |
| 致谢 | 第60-62页 |
