| 摘要 | 第8-9页 |
| Abstract | 第9-10页 |
| 1 绪论 | 第11-18页 |
| 1.1 选题背景和意义 | 第11-12页 |
| 1.1.1 选题背景 | 第11-12页 |
| 1.1.2 选题意义 | 第12页 |
| 1.2 雷电预报国内外研究现状 | 第12-14页 |
| 1.3 论文主要研究内容和阶段性成果 | 第14-15页 |
| 1.4 论文组织结构 | 第15-17页 |
| 1.5 本章小结 | 第17-18页 |
| 2 多AGENT的雷电灾害预测模型的构建 | 第18-39页 |
| 2.1 预备知识 | 第18-24页 |
| 2.1.1 本体 | 第18-19页 |
| 2.1.2 构建时空雷电本体知识库 | 第19-24页 |
| 2.2 基于BP人工神经网络的雷电预测Agent模型 | 第24-29页 |
| 2.2.1 BP模型概述 | 第24-25页 |
| 2.2.2 BP学习过程 | 第25-26页 |
| 2.2.3 BP学习结果 | 第26页 |
| 2.2.4 基于BP人工神经网络的雷电预测Agent模型的构建 | 第26-29页 |
| 2.3 基于遗传算法的雷电预测Agent模型 | 第29-33页 |
| 2.3.1 算法概述 | 第29页 |
| 2.3.2 染色体编码 | 第29-30页 |
| 2.3.3 个体适应度 | 第30-31页 |
| 2.3.4 生成初代种群 | 第31页 |
| 2.3.5 选择 | 第31页 |
| 2.3.6 交叉 | 第31页 |
| 2.3.7 变异 | 第31-32页 |
| 2.3.8 基于遗传算法的雷电预测Agent模型的构建 | 第32-33页 |
| 2.4 基于贝叶斯分类方法的雷电预测Agent模型 | 第33-36页 |
| 2.4.1 算法概述 | 第33-35页 |
| 2.4.2 基于贝叶斯算法的雷电预测Agent模型的设计 | 第35-36页 |
| 2.5 基于支持向量机（SVM）的雷电预测Agent模型 | 第36-38页 |
| 2.5.1 支持向量机介绍 | 第36-37页 |
| 2.5.2 基于SVM算法的雷电预测Agent模型的构建 | 第37-38页 |
| 2.6 本章小结 | 第38-39页 |
| 3 多AGENT的雷电预测系统的设计 | 第39-55页 |
| 3.1 需求分析与C/S架构 | 第39-42页 |
| 3.1.1 需求分析 | 第39-42页 |
| 3.1.2 C/S架构 | 第42页 |
| 3.2 系统体系结构和功能模块设计 | 第42-54页 |
| 3.2.1 功能模块及系统的体系结构概要 | 第42-43页 |
| 3.2.2 登录模模块设计 | 第43-45页 |
| 3.2.3 雷电预测Agent模型构建模块设计 | 第45-47页 |
| 3.2.4 雷电本体知识获取模块设计 | 第47-48页 |
| 3.2.5 数据预测模块设计 | 第48-50页 |
| 3.2.6 系统参数设定模块设计 | 第50-51页 |
| 3.2.7 信息查看模块设计 | 第51-52页 |
| 3.2.8 数据预处理模块界面设计 | 第52-54页 |
| 3.3 本章小结 | 第54-55页 |
| 4 多AGENT的雷电预测系统的实现 | 第55-61页 |
| 4.1 系统运行环境和配置 | 第55-57页 |
| 4.1.1 系统运行环境 | 第55页 |
| 4.1.2 系统环境配置 | 第55-57页 |
| 4.2 多AGENT的雷电预测模块功能的实现 | 第57-60页 |
| 4.2.1 数据预处理模块的实现 | 第57-58页 |
| 4.2.2 雷电预测Agent模型的实现 | 第58-59页 |
| 4.2.3 雷电本体知识获取模块的实现 | 第59页 |
| 4.2.4 数据预测模块的实现 | 第59-60页 |
| 4.3 本章小结 | 第60-61页 |
| 5 系统测试 | 第61-64页 |
| 5.1 测试平台 | 第61页 |
| 5.2 测试数据及相关说明 | 第61页 |
| 5.3 测试结果及分析 | 第61-63页 |
| 5.4 本章小结 | 第63-64页 |
| 6 结论与展望 | 第64-65页 |
| 6.1 结论 | 第64页 |
| 6.2 展望 | 第64-65页 |
| 参考文献 | 第65-68页 |
| 致谢 | 第68-69页 |
