| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 课题研究的背景和意义 | 第9-10页 |
| 1.1.1 研究的背景 | 第9-10页 |
| 1.1.2 研究的目的和意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 风速特性概述 | 第11-12页 |
| 1.4 本文的研究内容与章节安排 | 第12-14页 |
| 第2章 单项预测模型的建立和仿真 | 第14-27页 |
| 2.1 风速预测数据样本选取 | 第14-15页 |
| 2.2 持续分析法 | 第15页 |
| 2.3 灰色预测算法 | 第15-17页 |
| 2.4 神经网络算法 | 第17-19页 |
| 2.4.1 人工神经网络概述 | 第17页 |
| 2.4.2 BP神经网络 | 第17-18页 |
| 2.4.3 仿真实验 | 第18-19页 |
| 2.5 时间序列-卡尔曼滤波算法 | 第19-23页 |
| 2.5.1 时间序列分析法 | 第19-20页 |
| 2.5.2 卡尔曼滤波基本原理 | 第20-22页 |
| 2.5.3 时间序列-卡尔曼滤波状态和测量方程的推导 | 第22-23页 |
| 2.5.4 仿真实验 | 第23页 |
| 2.6 误差评价指标和实例分析 | 第23-25页 |
| 2.7 模糊层次分析法筛选单项模型 | 第25-26页 |
| 2.7.1 模糊层次分析法的数学理论 | 第25-26页 |
| 2.7.2 单项预测模型自适应筛选 | 第26页 |
| 2.8 本章小结 | 第26-27页 |
| 第3章 支持向量机的基本理论 | 第27-34页 |
| 3.1 支持向量机 | 第27-31页 |
| 3.1.1 支持向量分类机 | 第27-29页 |
| 3.1.2 支持向量回归机 | 第29-31页 |
| 3.2 核函数 | 第31页 |
| 3.3 最小二乘支持向量机 | 第31-33页 |
| 3.3.1 支持向量机的改进算法 | 第31-32页 |
| 3.3.2 最小二乘支持向量机 | 第32-33页 |
| 3.4 本章小节 | 第33-34页 |
| 第4章 基于支持向量机的风速组合预测 | 第34-45页 |
| 4.1 组合预测模型概述 | 第34-35页 |
| 4.2 常用组合预测模型 | 第35-37页 |
| 4.2.1 等权平均组合预测 | 第35页 |
| 4.2.2 变权组合预测 | 第35-36页 |
| 4.2.3 最优加权组合预测 | 第36-37页 |
| 4.3 SVM风速组合预测模型建立 | 第37-39页 |
| 4.4 风速组合预测实例分析 | 第39-43页 |
| 4.5 本章小结 | 第43-45页 |
| 第5章 总结与展望 | 第45-47页 |
| 5.1 论文完成的工作 | 第45页 |
| 5.2 未来展望 | 第45-47页 |
| 参考文献 | 第47-50页 |
| 致谢 | 第50页 |