摘要 | 第2-4页 |
ABSTRACT | 第4-6页 |
第1章 绪论 | 第10-16页 |
1.1 课题研究背景和意义 | 第10-11页 |
1.2 国外研究进展 | 第11-12页 |
1.3 国内研究现状 | 第12-14页 |
1.4 课题研究的主要内容 | 第14-15页 |
1.5 本文组织结构 | 第15-16页 |
第2章 神经网络结构及其研究 | 第16-36页 |
2.1 人工神经网络简介 | 第16-19页 |
2.1.1 生物神经网络简介 | 第16-17页 |
2.1.2 人工神经元模型 | 第17-19页 |
2.2 神经网络的结构 | 第19-20页 |
2.2.1 前馈神经网络 | 第19-20页 |
2.2.2 反馈神经网络 | 第20页 |
2.3 BP神经网络 | 第20-26页 |
2.3.1 BP神经网络模型 | 第21-22页 |
2.3.2 BP神经网络学习算法过程 | 第22-23页 |
2.3.3 BP网络学习算法的比较 | 第23-25页 |
2.3.4 BP神经网络的优缺点 | 第25-26页 |
2.4 粒子群(PSO)算法理论 | 第26-31页 |
2.4.1 粒子群(PSO)算法背景 | 第26页 |
2.4.2 粒子群(PSO)算法原理 | 第26-27页 |
2.4.3 粒子群(PSO)算法步骤 | 第27-29页 |
2.4.4 粒子群(PSO)算法的优缺点 | 第29-30页 |
2.4.5 粒子群(PSO)算法的改进 | 第30-31页 |
2.5 差分进化(DE)算法理论 | 第31-34页 |
2.5.1 差分进化(DE)算法背景 | 第31页 |
2.5.2 差分进化(DE)算法原理 | 第31-33页 |
2.5.3 差分进化(DE)算法步骤 | 第33页 |
2.5.4 差分进化(DE)算法的优缺点 | 第33-34页 |
2.5.5 差分进化(DE)算法的改进 | 第34页 |
2.6 混沌优化(COA)算法理论 | 第34-36页 |
2.6.1 混沌优化(COA)算法背景 | 第34-35页 |
2.6.2 混沌优化(COA)算法原理 | 第35-36页 |
2.7 本章小结 | 第36页 |
第3章 基于PCA的臭氧的突出因素主成分分析 | 第36-50页 |
3.1 台北臭氧浓度趋势 | 第36-38页 |
3.2 预测对象相关因子分析 | 第38页 |
3.3 主成分分析降维 | 第38-46页 |
3.3.1 主成分分析步骤 | 第40-41页 |
3.3.2 分析臭氧因素的相关性 | 第41-45页 |
3.3.3 计算主成分得分 | 第45-46页 |
3.4 不同季节臭氧与气象、大气污染因素关系 | 第46-50页 |
3.5 本章小结 | 第50页 |
第4章 C-PSODE优化BP神经网络的预测模型设计 | 第50-62页 |
4.1 预测模型算法设计 | 第50-51页 |
4.2 C-PSODE算法整体设计 | 第51-53页 |
4.3 C-PSODE算法性能验证 | 第53-58页 |
4.3.1 多极值函数的优化测试 | 第55-57页 |
4.3.2 优化测试结果分析 | 第57-58页 |
4.4 C-PSODE-BP神经网络臭氧预测模型 | 第58-62页 |
4.4.1 预测模型参数设置 | 第58-60页 |
4.4.2 神经网络结构确定 | 第60-62页 |
4.5 本章小结 | 第62页 |
第5章 臭氧污染浓度预测结果分析 | 第62-77页 |
5.1 数据来源及预处理 | 第62-63页 |
5.1.1 样本选择 | 第62-63页 |
5.1.2 数据归一化 | 第63页 |
5.2 网络训练及预测结果分析 | 第63-72页 |
5.2.1 算法相关参数初始化 | 第64-65页 |
5.2.2 模型预测结果分析 | 第65-66页 |
5.2.3 网络训练性能指标比较 | 第66-68页 |
5.2.4 网络输出数据复合系数比较 | 第68-70页 |
5.2.5 网络预测结果分析 | 第70-72页 |
5.3 其他季节臭氧浓度预测应用 | 第72-76页 |
5.4 结果分析 | 第76页 |
5.5 本章小结 | 第76-77页 |
第6章 总结与展望 | 第77-79页 |
6.1 总结 | 第77-78页 |
6.2 展望 | 第78-79页 |
参考文献 | 第79-82页 |
攻读硕士学位期间发表的论文和参加的科研工作 | 第82-83页 |
致谢 | 第83-84页 |