| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第8-16页 |
| 1.1 研究背景 | 第8-9页 |
| 1.2 研究目的与意义 | 第9-10页 |
| 1.3 国内外研究现状 | 第10-13页 |
| 1.4 研究内容及技术路线 | 第13-15页 |
| 1.4.1 研究内容 | 第13-14页 |
| 1.4.2 技术路线 | 第14页 |
| 1.4.3 本文创新点 | 第14-15页 |
| 1.4.4 本文组织结构 | 第15页 |
| 1.5 本章小结 | 第15-16页 |
| 第二章 基于GEP的地面气温观测资料质量控制方法 | 第16-31页 |
| 2.1 基因表达式编程理论 | 第16-22页 |
| 2.1.1 基因表达式编程的提出及特点 | 第16-17页 |
| 2.1.2 开放读码框架和基因 | 第17-18页 |
| 2.1.3 GEP中的基因 | 第18-19页 |
| 2.1.4 适应度函数 | 第19-20页 |
| 2.1.5 遗传算子 | 第20-22页 |
| 2.2 基于GEP的地面气温观测资料的单站质量控制方法 | 第22-25页 |
| 2.2.1 数据预处理分析 | 第22-24页 |
| 2.2.2 人为误差的添加方法 | 第24页 |
| 2.2.3 GEP质量控制方法的提出 | 第24-25页 |
| 2.3 检验结果对比分析 | 第25-30页 |
| 2.3.1 误差的检出效果 | 第25-27页 |
| 2.3.2 GEP方法与传统方法的对比分析 | 第27-29页 |
| 2.3.3 f值对Ⅰ类和Ⅱ类错误的影响分析 | 第29-30页 |
| 2.4 本章小结 | 第30-31页 |
| 第三章 基于支持向量机的多站联网资料分类算法 | 第31-43页 |
| 3.1 支持向量机理论 | 第31-32页 |
| 3.1.1 统计学习理论简介 | 第31页 |
| 3.1.2 VC维 | 第31-32页 |
| 3.1.3 结构风险最小化原则 | 第32页 |
| 3.2 支持向量机的基本思想 | 第32-33页 |
| 3.3 核函数形式 | 第33-34页 |
| 3.4 基于SVM分类的多站联网资料分类 | 第34-42页 |
| 3.4.1 SVM模型选择 | 第34-35页 |
| 3.4.2 邻近站的选择 | 第35-36页 |
| 3.4.3 分类器的设计 | 第36-37页 |
| 3.4.4 算法性能分析 | 第37-42页 |
| 3.5 本章小结 | 第42-43页 |
| 第四章 改进的BP神经网络在多站联网质量控制中的应用 | 第43-59页 |
| 4.1 人工神经网络基本原理 | 第43-45页 |
| 4.1.1 神经网络模型 | 第43-44页 |
| 4.1.2 神经网络结构 | 第44-45页 |
| 4.2 BP神经网络原理及算法 | 第45-46页 |
| 4.2.1 BP神经网络结构 | 第45-46页 |
| 4.2.2 BP神经网络的求解设计 | 第46页 |
| 4.3 BP神经网络在多站联网质量控制中的应用 | 第46-50页 |
| 4.3.1 基于BP神经网络的多站联网质量控制算法 | 第46-48页 |
| 4.3.2 算法性能分析 | 第48-50页 |
| 4.4 基于基因表达式编程的BP神经网络设计 | 第50-54页 |
| 4.4.1 染色体编码 | 第50-51页 |
| 4.4.2 特殊的遗传算子 | 第51-53页 |
| 4.4.3 适应度计算 | 第53页 |
| 4.4.4 基于GEP改进的BP神经网络算法 | 第53-54页 |
| 4.5 GEP-BP算法在多站联网数据质量控制中的应用 | 第54-57页 |
| 4.6 本章小结 | 第57-59页 |
| 第五章 总结与展望 | 第59-61页 |
| 5.1 总结 | 第59-60页 |
| 5.2 展望 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 作者简介 | 第65-66页 |
| 致谢 | 第66页 |
