| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 引言 | 第9-14页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究历史及现状 | 第10-13页 |
| 1.3 论文结构安排 | 第13-14页 |
| 第二章 基本理论介绍 | 第14-29页 |
| 2.1 时间序列 | 第14-19页 |
| 2.1.1 时间序列的概念 | 第14-15页 |
| 2.1.2 平稳时间序列 | 第15-16页 |
| 2.1.3 线性非平稳模型 | 第16-18页 |
| 2.1.4 时间序列建模过程及用处 | 第18-19页 |
| 2.2 深度学习的基本概念 | 第19-24页 |
| 2.2.1 深度学习的概念 | 第19页 |
| 2.2.2 深度学习的训练过程 | 第19-20页 |
| 2.2.3 深度学习与神经网络 | 第20-21页 |
| 2.2.4 深度信度网络 | 第21-24页 |
| 2.3 滑动窗口 | 第24-29页 |
| 2.3.1 滑动窗口概念 | 第24-25页 |
| 2.3.2 水质参数异常检测 | 第25-29页 |
| 第三章 基于ARIMA模型与深度信念网DBN结合的时间预测模型 | 第29-38页 |
| 3.1 水质参数异常数据检测及各模型建模过程 | 第29-35页 |
| 3.1.1 水质参数异常检测 | 第29-30页 |
| 3.1.2 ARIMA建模 | 第30-32页 |
| 3.1.3 DBN建模 | 第32-34页 |
| 3.1.4 ARIMA-DBN建模 | 第34-35页 |
| 3.2 实验结果及比较分析 | 第35-38页 |
| 3.2.1 模型比较分析 | 第35-36页 |
| 3.2.2 模型在水产品养殖中的应用比较 | 第36-38页 |
| 第四章 水产品养殖信息追溯及预测平台的设计与实现 | 第38-49页 |
| 4.1 平台总体设计 | 第39-41页 |
| 4.1.1 信息追溯流程分析 | 第39-40页 |
| 4.1.2 系统功能结构图 | 第40-41页 |
| 4.2 预测模块的关键任务与要求 | 第41-44页 |
| 4.2.1 平台水质参数预测流程分析 | 第41-42页 |
| 4.2.2 水质参数预测效果图 | 第42-44页 |
| 4.3 平台预测模块需求设计与数据库设计 | 第44-49页 |
| 4.3.1 水质参数预测模块相关需求数据库总体设计 | 第44-45页 |
| 4.3.2 水质参数预测模块相关数据库表单的设计 | 第45-48页 |
| 4.3.3 该平台水质预测模块优点 | 第48-49页 |
| 第五章 总结与展望 | 第49-51页 |
| 5.1 总结 | 第49-50页 |
| 5.2 展望 | 第50-51页 |
| 参考文献 | 第51-56页 |
| 附录 | 第56-57页 |
| 致谢 | 第57页 |