| 中文摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 课题背景与研究意义 | 第8-9页 |
| 1.2 短期太阳能发电预测研究现状 | 第9-12页 |
| 1.2.1 物理模型 | 第9-10页 |
| 1.2.2 统计模型 | 第10-12页 |
| 1.3 本文研究内容及主要贡献 | 第12-14页 |
| 第二章 支持向量机及相关理论 | 第14-25页 |
| 2.1 统计学习理论简介 | 第14-19页 |
| 2.1.1 两种主要的学习问题 | 第14-15页 |
| 2.1.2 经验风险最小化原则 | 第15页 |
| 2.1.3 学习过程的一致性 | 第15-16页 |
| 2.1.4 VC维与学习机器推广能力的界 | 第16-17页 |
| 2.1.5 结构风险最小化归纳原则 | 第17-19页 |
| 2.2 支持向量机 | 第19-23页 |
| 2.2.1 支持向量机的线性可分情况 | 第19-20页 |
| 2.2.2 支持向量机线性不可分情况 | 第20-22页 |
| 2.2.3 支持向量回归机 | 第22-23页 |
| 2.2.4 支持向量机训练算法 | 第23页 |
| 2.3 核函数 | 第23-24页 |
| 2.3.1 常见核函数 | 第23-24页 |
| 2.3.2 组合核函数 | 第24页 |
| 2.4 本章小结 | 第24-25页 |
| 第三章 短期太阳能预测相关问题简介 | 第25-31页 |
| 3.1 太阳能预测中常用特征 | 第25-26页 |
| 3.2 太阳能预测与常用特征之间的先验知识 | 第26-27页 |
| 3.3 本文所使用竞赛数据集 | 第27-30页 |
| 3.4 本章小结 | 第30-31页 |
| 第四章 基于支持向量回归机的预测器设计及其在短期太阳能预测中的应用 | 第31-64页 |
| 4.1 遗传算法简介 | 第31-32页 |
| 4.2 Trust-Tech优化技术简介 | 第32-34页 |
| 4.3 基于Trust-Tech优化技术的分群遗传算法 | 第34-40页 |
| 4.3.1 分群遗传算法及相关内容简介 | 第35-39页 |
| 4.3.2 Trust-Tech与分群遗传算法的协作 | 第39-40页 |
| 4.4 预测器的设计 | 第40-45页 |
| 4.4.1 特征选择算法 | 第41-42页 |
| 4.4.2 支持向量回归机超参数调节 | 第42-44页 |
| 4.4.3 支持向量回归机的组合 | 第44-45页 |
| 4.5 算例分析 | 第45-57页 |
| 4.5.1 数据处理 | 第45-46页 |
| 4.5.2 输入特征 | 第46-47页 |
| 4.5.3 评价指标 | 第47-48页 |
| 4.5.4 实验结果 | 第48-57页 |
| 4.6 组合核函数在支持向量回归机中的应用 | 第57-60页 |
| 4.6.1 组合核函数的设计 | 第57-59页 |
| 4.6.2 基于组合核函数支持向量回归机的训练过程 | 第59-60页 |
| 4.7 算例分析二 | 第60-63页 |
| 4.8 本章小结 | 第63-64页 |
| 第五章 总结与展望 | 第64-66页 |
| 5.1 全文主要工作 | 第64-65页 |
| 5.2 未来工作展望 | 第65-66页 |
| 参考文献 | 第66-72页 |
| 发表论文和参加科研情况说明 | 第72-73页 |
| 致谢 | 第73-74页 |
