基于遗传算法和BP神经网络的广州市空气质量预测与时空分布研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第12-20页 |
| 1.1 研究背景及意义 | 第12-14页 |
| 1.1.1 研究背景 | 第12-13页 |
| 1.1.2 研究意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-16页 |
| 1.2.1 国外研究现状 | 第14-15页 |
| 1.2.2 国内研究现状 | 第15-16页 |
| 1.3 研究内容和技术路线 | 第16-17页 |
| 1.3.1 研究内容 | 第16页 |
| 1.3.2 技术路线 | 第16-17页 |
| 1.4 研究方法 | 第17-19页 |
| 1.4.1 空间插值法 | 第17页 |
| 1.4.2 空气质量评价法 | 第17-19页 |
| 1.5 论文组织结构 | 第19-20页 |
| 第二章 研究区域概况与数据处理 | 第20-24页 |
| 2.1 研究区域概况 | 第20-21页 |
| 2.2 数据采集和来源 | 第21页 |
| 2.2.1 数据来源 | 第21页 |
| 2.2.2 数据内容 | 第21页 |
| 2.3 数据处理 | 第21-23页 |
| 2.3.1 数据缺失处理 | 第21-22页 |
| 2.3.2 数据数值化处理 | 第22-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第三章 人工神经网络 | 第24-37页 |
| 3.1 人工神经网络 | 第24-25页 |
| 3.2 BP神经网络 | 第25-31页 |
| 3.2.1 BP神经网络结构 | 第26-27页 |
| 3.2.2 BP神经网络算法原理 | 第27-28页 |
| 3.2.3 BP神经网络学习算法改进 | 第28-30页 |
| 3.2.4 BP神经网络的优缺点 | 第30-31页 |
| 3.3 遗传算法 | 第31-34页 |
| 3.3.1 遗传算法原理 | 第31-33页 |
| 3.3.2 遗传算法步骤 | 第33-34页 |
| 3.3.3 遗传算法的优缺点 | 第34页 |
| 3.4 遗传算法优化BP神经网络 | 第34-35页 |
| 3.5 本章小结 | 第35-37页 |
| 第四章 基于遗传算法和BP神经网络的预测模型设计 | 第37-43页 |
| 4.1 BP神经网络预测模型的设计 | 第37-40页 |
| 4.1.1 输入层和输出层设计 | 第37页 |
| 4.1.2 隐含层设计 | 第37-38页 |
| 4.1.3 传递函数确定 | 第38-39页 |
| 4.1.4 学习函数确定 | 第39-40页 |
| 4.2 遗传算法优化BP神经网络的权重和阈值 | 第40-41页 |
| 4.3 预测模型算法整体设计 | 第41-42页 |
| 4.4 本章小结 | 第42-43页 |
| 第五章 广州市空气质量预测应用和结果分析 | 第43-54页 |
| 5.1 数据样本选择和处理 | 第43-45页 |
| 5.1.1 数据样本选择 | 第43-45页 |
| 5.1.2 数据预处理 | 第45页 |
| 5.2 模型参数设计 | 第45-47页 |
| 5.3 网络模型训练 | 第47-50页 |
| 5.4 其他污染物浓度预测 | 第50-51页 |
| 5.5 空气质量指数预报 | 第51-53页 |
| 5.6 结果分析 | 第53页 |
| 5.7 本章小结 | 第53-54页 |
| 第六章 广州市AQI时空分布分析 | 第54-62页 |
| 6.1 空间插值 | 第54-56页 |
| 6.1.1 空间插值概述 | 第54-55页 |
| 6.1.2 空间插值方法 | 第55-56页 |
| 6.2 AQI时空分布分析 | 第56-61页 |
| 6.2.1 AQI时间分布特征分析 | 第56-58页 |
| 6.2.2 AQI空间分布特征分析 | 第58-60页 |
| 6.2.3 AQI时空分布预测 | 第60-61页 |
| 6.3 本章小结 | 第61-62页 |
| 第七章 结论与展望 | 第62-64页 |
| 7.1 结论 | 第62-63页 |
| 7.2 展望 | 第63-64页 |
| 参考文献 | 第64-67页 |
| 附录A 空气质量分指数 | 第67-68页 |
| 致谢 | 第68-69页 |
| 攻读学位期间的研究成果 | 第69-70页 |
