摘要 | 第4-5页 |
abstract | 第5页 |
第一章 绪论 | 第8-17页 |
1.1 研究背景和意义 | 第8-11页 |
1.2 国内外研究现状 | 第11-15页 |
1.2.1 以人工神经网络为基础的空气质量预测发展现状 | 第12-13页 |
1.2.2 以人工神经网络为基础的空气质量预测研究的进一步发展方向 | 第13-15页 |
1.3 论文主要研究内容 | 第15页 |
1.4 论文组织结构 | 第15-17页 |
第二章 相关支撑技术 | 第17-29页 |
2.1 BP神经网络概述 | 第17-23页 |
2.1.1 BP神经网络的结构与模型 | 第17-19页 |
2.1.2 传统BP神经网络的算法及推导过程 | 第19-21页 |
2.1.3 传统BP神经网络的改进 | 第21-23页 |
2.2 遗传算法 | 第23-28页 |
2.2.1 遗传算法原理概述 | 第23-24页 |
2.2.2 染色体编码 | 第24-25页 |
2.2.3 适应度函数 | 第25页 |
2.2.4 遗传算子 | 第25-27页 |
2.2.5 遗传算法中主要相关参数 | 第27-28页 |
2.2.6 遗传算法的步骤及流程 | 第28页 |
2.3 本章小结 | 第28-29页 |
第三章 特征选择、数据处理以及特征提取 | 第29-36页 |
3.1 影响空气质量的因素分析 | 第29-30页 |
3.2 课题涉及的数据处理方式 | 第30-33页 |
3.2.1 缺失数据的处理方式 | 第30-31页 |
3.2.2 数据预处理与标准化方法 | 第31-33页 |
3.3 特征提取 | 第33-35页 |
3.3.1 主成分分析法概述 | 第33-34页 |
3.3.2 主成分分析法原理概要及计算过程 | 第34-35页 |
3.4 本章小结 | 第35-36页 |
第四章 空气质量预测模型设计 | 第36-51页 |
4.1 数据处理部分 | 第36-37页 |
4.1.1 数据标准化 | 第36页 |
4.1.2 数据的特征提取 | 第36-37页 |
4.2 预测模型目标分析 | 第37页 |
4.3 BP神经网络模型设计 | 第37-45页 |
4.3.1 确定BP神经网络模型的结构 | 第38-42页 |
4.3.2 基于贝叶斯正则化改进的LM反向传播算法 | 第42-45页 |
4.4 遗传算法优化阶段 | 第45-49页 |
4.4.1 遗传算法相关参数设计 | 第45-46页 |
4.4.2 编码设计 | 第46页 |
4.4.3 适应度函数设计 | 第46-47页 |
4.4.4 遗传算子设计 | 第47-49页 |
4.5 模型处理步骤及流程 | 第49-50页 |
4.6 本章小结 | 第50-51页 |
第五章 空气质量预测模型性能与预测能力分析 | 第51-58页 |
5.1 空气质量预测模型训练性能对比与分析 | 第51-54页 |
5.2 空气质量预测模型关于预测能力的对比与分析 | 第54-57页 |
5.3 本章小结 | 第57-58页 |
第六章 总结与展望 | 第58-60页 |
6.1 本文总结 | 第58页 |
6.2 工作展望 | 第58-60页 |
参考文献 | 第60-63页 |
附录1 攻读硕士学位期间撰写的论文 | 第63-64页 |
致谢 | 第64页 |