| 摘要 | 第8-10页 |
| ABSTRACT | 第10-11页 |
| 第一章 引言 | 第12-20页 |
| 1.1 研究背景与意义 | 第12-14页 |
| 1.2 国内外研究现状 | 第14-18页 |
| 1.2.1 国外研究现状 | 第14-15页 |
| 1.2.2 国内研究现状 | 第15-17页 |
| 1.2.3 研究发展方向 | 第17-18页 |
| 1.3 本文的主要研究内容 | 第18-19页 |
| 1.4 本文的组织结构 | 第19-20页 |
| 第二章 人工神经网络概述 | 第20-37页 |
| 2.1 人工神经网络 | 第20-24页 |
| 2.1.1 人工神经元模型 | 第20-21页 |
| 2.1.2 神经网络的结构 | 第21-22页 |
| 2.1.3 神经网络的学习 | 第22-23页 |
| 2.1.4 监督学习的单隐含层神经网络模型 | 第23-24页 |
| 2.2 人工神经网络学习算法 | 第24-33页 |
| 2.2.1 误差反向传播学习算法 | 第24-27页 |
| 2.2.1.1 算法的基本思想 | 第25页 |
| 2.2.1.2 算法的实现步骤 | 第25-26页 |
| 2.2.1.3 算法存在的缺陷 | 第26-27页 |
| 2.2.2 遗传学习算法 | 第27-31页 |
| 2.2.2.1 遗传算法基本原理 | 第28-29页 |
| 2.2.2.2 遗传算法主要内容 | 第29-31页 |
| 2.2.3 Levenberg-Marquardt学习算法 | 第31-33页 |
| 2.2.3.1 LM算法基本原理 | 第31-32页 |
| 2.2.3.2 LM算法实现步骤 | 第32-33页 |
| 2.3 贝叶斯正规化神经网络基本原理 | 第33-36页 |
| 2.3.1 训练目标函数的调整 | 第33-34页 |
| 2.3.2 学习过程的概率模型推理 | 第34-35页 |
| 2.3.3 超参数α和β的确定 | 第35-36页 |
| 2.4 本章小结 | 第36-37页 |
| 第三章 环境空气质量预测模型设计 | 第37-44页 |
| 3.1 神经网络算法设计 | 第37-41页 |
| 3.1.1 算法整体设计 | 第37-39页 |
| 3.1.2 遗传算子设计 | 第39-40页 |
| 3.1.3 基于贝叶斯正规化的LM算法设计 | 第40-41页 |
| 3.2 数据准备与预处理 | 第41-42页 |
| 3.3 训练样本的选取 | 第42-43页 |
| 3.4 数据归一化处理 | 第43页 |
| 3.5 本章小结 | 第43-44页 |
| 第四章 空气质量预测结果分析 | 第44-54页 |
| 4.1 实验的软件界面 | 第44-45页 |
| 4.2 模型参数的选取 | 第45-46页 |
| 4.3 预测结果分析 | 第46-53页 |
| 4.3.1 实验分析相关计算 | 第46-48页 |
| 4.3.1.1 空气质量评价指标 | 第46-48页 |
| 4.3.1.2 统计相关性分析指标 | 第48页 |
| 4.3.2 预测结果统计分析 | 第48-52页 |
| 4.3.3 预测结果曲线图分析 | 第52-53页 |
| 4.4 本章小结 | 第53-54页 |
| 第五章 总结与展望 | 第54-55页 |
| 参考文献 | 第55-60页 |
| 致谢 | 第60-61页 |
| 攻读学位期间发表的主要学术论文目录 | 第61-62页 |
| 学位论文评阅及答辩情况表 | 第62页 |