| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 1 绪论 | 第9-13页 |
| 1.1 选题背景 | 第9页 |
| 1.2 研究意义 | 第9-10页 |
| 1.3 文献综述 | 第10-11页 |
| 1.3.1 国外研究现状 | 第10页 |
| 1.3.2 国内研究现状 | 第10-11页 |
| 1.4 创新点与不足 | 第11-13页 |
| 1.4.1 可能存在的创新点与不足 | 第11-12页 |
| 1.4.2 技术路线 | 第12-13页 |
| 2 相关理论与技术 | 第13-25页 |
| 2.1 碳排放理论 | 第13-15页 |
| 2.1.1 温室气体与碳排放 | 第13-14页 |
| 2.1.2 能源燃烧产生CO_2的计算 | 第14-15页 |
| 2.2 灰色关联度分析原理 | 第15-16页 |
| 2.2.1 灰色关联理论 | 第15-16页 |
| 2.2.2 灰色关联分析方法 | 第16页 |
| 2.3 人工神经网络理论 | 第16-23页 |
| 2.3.1 BP神经网络 | 第17-19页 |
| 2.3.2 RBF神经网络 | 第19-21页 |
| 2.3.3 小波神经网络 | 第21-23页 |
| 2.4 小结 | 第23-25页 |
| 3 中国碳排放的智能预测 | 第25-39页 |
| 3.1 碳排放影响因素的灰色关联分析 | 第25-28页 |
| 3.1.1 步骤分析 | 第25-26页 |
| 3.1.2 碳排放及其影响因素的数据来源 | 第26-27页 |
| 3.1.3 影响因素选取 | 第27-28页 |
| 3.2 基于BP神经网络中国碳排放预测模型 | 第28-32页 |
| 3.2.1 模型建立 | 第28页 |
| 3.2.2 数据选择和归一化 | 第28-30页 |
| 3.2.3 网络训练 | 第30-31页 |
| 3.2.4 网络预测与结果分析 | 第31-32页 |
| 3.3 基于RBF神经网络中国碳排放预测模型 | 第32-35页 |
| 3.3.1 模型建立 | 第32页 |
| 3.3.2 网络训练 | 第32-33页 |
| 3.3.3 网络预测与结果分析 | 第33-35页 |
| 3.4 基于小波神经网络中国碳排放预测模型 | 第35-37页 |
| 3.4.1 模型建立 | 第35-36页 |
| 3.4.2 网络初始化及训练实现 | 第36页 |
| 3.4.3 网络预测与结果分析 | 第36-37页 |
| 3.5 实证检验及结果分析 | 第37-39页 |
| 3.5.1 智能预测模型间预测性能对比 | 第37-39页 |
| 4 "十三五"期间碳排放预测及减碳对策研究 | 第39-47页 |
| 4.1 自变量情景值 | 第39-41页 |
| 4.1.1 总人口 | 第39页 |
| 4.1.2 城镇化率 | 第39-40页 |
| 4.1.3 人均GDP | 第40页 |
| 4.1.4 工业化水平 | 第40-41页 |
| 4.1.5 第三产业比重 | 第41页 |
| 4.2 "十三五"期间碳排放情景值预测 | 第41-43页 |
| 4.2.1 模型建立 | 第41-42页 |
| 4.2.2 RBF神经网络预测与结果分析 | 第42-43页 |
| 4.3 "十三五"期间减碳对策与途径 | 第43-47页 |
| 4.3.1 控制人口过快增长,鼓励低碳的生活方式 | 第43-44页 |
| 4.3.2 优化产业结构,尽早实现第三产业占比目标 | 第44-45页 |
| 4.3.3 提高能源使用效率,大力推广清洁能源 | 第45页 |
| 4.3.4 实施强制性碳排放目标 | 第45-47页 |
| 5 结论与展望 | 第47-49页 |
| 5.1 研究结论 | 第47页 |
| 5.2 研究展望 | 第47-49页 |
| 攻读学位期间参加的科研项目及发表的学术论文 | 第49-51页 |
| 致谢 | 第51-53页 |
| 参考文献 | 第53-55页 |
| 附录 | 第55-63页 |