| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 图表清单 | 第8-10页 |
| 注释表 | 第10-11页 |
| 第一章 绪论 | 第11-16页 |
| 1.1 选题背景及意义 | 第11-12页 |
| 1.2 机场噪声预测研究现状 | 第12-14页 |
| 1.2.1 国外研究现状 | 第12-13页 |
| 1.2.2 国内研究现状 | 第13-14页 |
| 1.3 本文研究内容及结构安排 | 第14-16页 |
| 1.3.1 本文研究内容 | 第14-15页 |
| 1.3.2 本文结构安排 | 第15-16页 |
| 第二章 时空序列性质及 STARMA 模型 | 第16-25页 |
| 2.1 时空序列的性质 | 第16-18页 |
| 2.1.1 时空自相关性 | 第16-17页 |
| 2.1.2 时空偏相关性 | 第17-18页 |
| 2.1.3 时空平稳性 | 第18页 |
| 2.2 时空序列预测方法概述 | 第18-19页 |
| 2.3 STARMA 模型 | 第19-24页 |
| 2.3.1 空间权矩阵 | 第20-21页 |
| 2.3.2 模型识别 | 第21-22页 |
| 2.3.3 参数估计 | 第22-24页 |
| 2.3.4 模型诊断 | 第24页 |
| 2.4 本章小结 | 第24-25页 |
| 第三章 机场噪声时空序列的 STARMA 网络预测模型 | 第25-39页 |
| 3.1 基于样本数据驱动的空间权矩阵建立算法 | 第25-29页 |
| 3.1.1 算法思想 | 第26-27页 |
| 3.1.2 算法步骤 | 第27-29页 |
| 3.2 STARMA 网络模型 | 第29-32页 |
| 3.2.1 STARMA 网络模型结构 | 第29-31页 |
| 3.2.2 建模步骤 | 第31-32页 |
| 3.3 基于 STARMA 网络模型的机场噪声时空序列预测 | 第32-33页 |
| 3.4 实验及结果分析 | 第33-38页 |
| 3.4.1 Mackey-Glass 点阵系统时空序列 | 第34-35页 |
| 3.4.2 多噪声监测点机场噪声时空序列 | 第35-38页 |
| 3.5 本章小结 | 第38-39页 |
| 第四章 机场噪声时空序列的时空神经网络预测模型 | 第39-57页 |
| 4.1 传统神经网络 | 第39-42页 |
| 4.1.1 传统神经元模型 | 第39-40页 |
| 4.1.2 传统神经网络结构 | 第40-41页 |
| 4.1.3 学习算法 | 第41-42页 |
| 4.2 时空神经网络 | 第42-48页 |
| 4.2.1 函数链接神经网络 | 第42-43页 |
| 4.2.2 线性脉冲响应滤波 | 第43-44页 |
| 4.2.3 时空神经网络结构 | 第44-46页 |
| 4.2.4 时空神经网络学习算法 | 第46-48页 |
| 4.3 基于时空神经网络的机场噪声时空序列预测 | 第48-50页 |
| 4.4 实验及结果分析 | 第50-56页 |
| 4.5 本章小结 | 第56-57页 |
| 第五章 总结与展望 | 第57-59页 |
| 5.1 全文总结 | 第57-58页 |
| 5.2 进一步工作展望 | 第58-59页 |
| 参考文献 | 第59-62页 |
| 致谢 | 第62-63页 |
| 硕士研究生期间参与的科研项目及发表的论文 | 第63页 |
