| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第10-21页 |
| 1.1 选题背景 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-19页 |
| 1.2.1 数值模式预测 | 第11页 |
| 1.2.2 统计预测方法 | 第11-12页 |
| 1.2.3 神经网络预测方法 | 第12-19页 |
| 1.3 本文主要研究内容 | 第19-20页 |
| 1.4 本文研究的技术路线 | 第20-21页 |
| 第二章 研究区域与数据预处理 | 第21-29页 |
| 2.1 研究区域 | 第21-23页 |
| 2.2 数据的来源 | 第23-24页 |
| 2.2.1 环境空气质量数据的来源 | 第23页 |
| 2.2.2 气象条件数据的来源 | 第23-24页 |
| 2.3 数据的预处理 | 第24-28页 |
| 2.3.1 缺失数据的处理 | 第24-25页 |
| 2.3.2 异常数据的处理 | 第25-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第三章 PM_(2.5)的影响因素探究 | 第29-48页 |
| 3.1 PM_(2.5)浓度季节变化规律分析 | 第29-31页 |
| 3.2 PM_(2.5)与各空气污染物关联分析 | 第31-38页 |
| 3.2.1 PM_(2.5)与NO_2相关分析 | 第31-33页 |
| 3.2.2 PM_(2.5)与SO_2相关分析 | 第33-34页 |
| 3.2.3 PM_(2.5)与CO相关分析 | 第34-35页 |
| 3.2.4 PM_(2.5)与PM_(10)相关分析 | 第35-37页 |
| 3.2.5 PM_(2.5)与与各空气污染物关系汇总 | 第37-38页 |
| 3.3 PM_(2.5)与各气象因素之间的关系 | 第38-46页 |
| 3.3.1 PM_(2.5)与气温之间的关系 | 第38-40页 |
| 3.3.2 PM_(2.5)与风速之间的关系 | 第40-41页 |
| 3.3.3 PM_(2.5)与气压之间的关系 | 第41-43页 |
| 3.3.4 PM_(2.5)与湿度之间的关系 | 第43-44页 |
| 3.3.5 PM_(2.5)与降水量之间的关系 | 第44-46页 |
| 3.4 本章小结 | 第46-48页 |
| 第四章 传统人工神经网络关于PM_(2.5)浓度的预测 | 第48-64页 |
| 4.1 预测网络的拓扑结构 | 第48-50页 |
| 4.1.1 预测网络结构的确定 | 第48-49页 |
| 4.1.2 BP网络学习规则及预测机制 | 第49页 |
| 4.1.3 BP网络在预测中存在的局限性 | 第49-50页 |
| 4.2 基于空气污染物的PM_(2.5)神经网络预测模型 | 第50-55页 |
| 4.2.1 模型的建立 | 第50-51页 |
| 4.2.2 网络参数的确定 | 第51-53页 |
| 4.2.3 预测结果分析 | 第53-55页 |
| 4.3 基于气象因素的PM_(2.5)神经网络预测模型 | 第55-58页 |
| 4.3.1 模型的建立 | 第55-56页 |
| 4.3.2 网络模型参数的确定 | 第56-57页 |
| 4.3.3 预测结果分析 | 第57-58页 |
| 4.4 基于逐步回归的PM_(2.5)神经网络预测模型 | 第58-63页 |
| 4.4.1 模型的建立 | 第59-61页 |
| 4.4.2 预测结果分析 | 第61-63页 |
| 4.5 本章小结 | 第63-64页 |
| 第五章 基于MIV的双BP网络对PM_(2.5)浓度的预测 | 第64-83页 |
| 5.1 基于MIV方法的变量筛选 | 第64-65页 |
| 5.1.1 MIV的实现流程 | 第64-65页 |
| 5.2 基于时间序列的PM_(2.5)神经网络预测模型 | 第65-70页 |
| 5.2.1 基于时间序列的预测网络的构建 | 第66-68页 |
| 5.2.2 基于时间序列的PM_(2.5)预测模型的实现 | 第68-69页 |
| 5.2.3 时间序列网络预测结果分析 | 第69-70页 |
| 5.3 基于MIV的双BP网络预测模型 | 第70-76页 |
| 5.3.1 基于MIV算法的输入变量筛选 | 第71-73页 |
| 5.3.2 构建基于MIV的双BP网络模型 | 第73页 |
| 5.3.3 基于MIV的双BP网络预测结果 | 第73-76页 |
| 5.4 基于粒子群优化算法的双BP网络预测模型 | 第76-79页 |
| 5.4.1 粒子群优化算法简介 | 第76-77页 |
| 5.4.2 基于PSO优化的双BP网络模型的实现 | 第77页 |
| 5.4.3 基于PSO优化的双BP网络模型的预测结果 | 第77-79页 |
| 5.5 几种网络模型预测结果的对比 | 第79-82页 |
| 5.6 本章小节 | 第82-83页 |
| 第六章 总结与展望 | 第83-85页 |
| 6.1 总结 | 第83-84页 |
| 6.2 展望 | 第84-85页 |
| 致谢 | 第85-86页 |
| 参考文献 | 第86-91页 |
| 附录 | 第91-95页 |
| 附录1 基于BP网络的MIV实现 | 第91-93页 |
| 附录2 时间序列预测方法的实现 | 第93-95页 |
| 攻读硕士学位期间取得的与学位论文相关的研究成果 | 第95页 |
