| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 第一章 绪论 | 第7-12页 |
| 1.1 研究背景及意义 | 第7-8页 |
| 1.2 国内外研究现状 | 第8-10页 |
| 1.3 研究思路及创新点 | 第10页 |
| 1.4 本文的主要工作和结构安排 | 第10-12页 |
| 第二章 算法模型 | 第12-19页 |
| 2.1 数据预处理算法 | 第12页 |
| 2.1.1 变分模态分解(VMD) | 第12页 |
| 2.2 BP神经网络 | 第12-16页 |
| 2.3 优化算法 | 第16-18页 |
| 2.3.1 蚁群算法(ACO) | 第16页 |
| 2.3.2 自适应粒子群算法(APSO) | 第16页 |
| 2.3.3 APSOACO混合算法 | 第16-18页 |
| 2.4 本章小结 | 第18-19页 |
| 第三章 案例分析 | 第19-58页 |
| 3.1 数据预处理及相关性分析 | 第19-22页 |
| 3.2 光谱与多重分形分析 | 第22-23页 |
| 3.2.1 光谱分析 | 第22-23页 |
| 3.3 多重分形消除趋势波动分析 | 第23-29页 |
| 3.3.1 方法论 | 第24-25页 |
| 3.3.2 多重分形分析 | 第25-26页 |
| 3.3.3 多重分形的起源 | 第26-29页 |
| 3.4 建立预测模型 | 第29-30页 |
| 3.4.1 PM2.5和PM10数据的标准化及预处理 | 第29页 |
| 3.4.2 适应度函数的选择 | 第29页 |
| 3.4.3 预测性能的评估标准 | 第29-30页 |
| 3.5 实验设计 | 第30-52页 |
| 3.5.1 实验一：模型选择 | 第30-33页 |
| 3.5.2 实验二：选择输入层节点数和隐层节点数 | 第33-43页 |
| 3.5.3 实验三：数据预处理VMD的应用于预测模型中 | 第43-46页 |
| 3.5.4 实验四：测试混合模型VMD-APSOACO-BP的预测性能 | 第46-52页 |
| 3.6 预测有效度 | 第52-54页 |
| 3.7 DIEBOLD-MARIANO检验 | 第54-55页 |
| 3.8 BIAS-VARIANCE框架 | 第55-56页 |
| 3.9 本章小结 | 第56-58页 |
| 第四章 结论与展望 | 第58-59页 |
| 参考文献 | 第59-62页 |
| 致谢 | 第62页 |
