| 摘要 | 第1-4页 |
| ABSTRACT | 第4-8页 |
| 第一章 绪论 | 第8-14页 |
| ·研究背景 | 第8-10页 |
| ·国外研究状况 | 第9-10页 |
| ·国内研究状况 | 第10页 |
| ·研究目的和意义 | 第10-11页 |
| ·本文研究目的 | 第10-11页 |
| ·本文研究意义 | 第11页 |
| ·本文内容安排 | 第11-12页 |
| ·本章小结 | 第12-14页 |
| 第二章 时间序列预测 | 第14-20页 |
| ·时间序列预测概述 | 第14-15页 |
| ·时间序列预测的相关概念 | 第14-15页 |
| ·时间序列预测特点及条件 | 第15页 |
| ·时间序列预测方法及分类 | 第15-17页 |
| ·时间序列预测方法 | 第15-16页 |
| ·时间序列预测分类 | 第16-17页 |
| ·时间序列预测模型 | 第17-19页 |
| ·自回归模型 | 第17页 |
| ·滑动平均模型 | 第17-18页 |
| ·自回归滑动平均模型 | 第18页 |
| ·神经网络模型 | 第18-19页 |
| ·本章小结 | 第19-20页 |
| 第三章 数据消噪处理 | 第20-28页 |
| ·小波变换理论 | 第20-23页 |
| ·小波变换 | 第20-21页 |
| ·小波消噪 | 第21-22页 |
| ·小波阈值消噪方法 | 第22-23页 |
| ·基于小波变换的时间序列消噪 | 第23-24页 |
| ·小波函数选取 | 第23-24页 |
| ·小波阂值的选取 | 第24页 |
| ·实验过程 | 第24-27页 |
| ·实验室数据与参数的选择 | 第24-25页 |
| ·实验分析 | 第25-27页 |
| ·本章小结 | 第27-28页 |
| 第四章 基于递归神经网络的时间列序预测模型研究与实现 | 第28-46页 |
| ·人工神经网络理论 | 第28-32页 |
| ·人工神经网络简介 | 第28-29页 |
| ·神经网络理论基础 | 第29-31页 |
| ·神经网络的学习算法 | 第31-32页 |
| ·神经网络的特点 | 第32页 |
| ·递归神经网络的时间序列预测模型的研究 | 第32-36页 |
| ·递归神经网络模型 | 第32-33页 |
| ·递归神经网络学习算法 | 第33-35页 |
| ·递归神经网络预测模型的理论基础 | 第35-36页 |
| ·递归神经网络的泛化能力 | 第36页 |
| ·递归神经网络的时间序列预测模型设计 | 第36-40页 |
| ·准备训练样本集 | 第36-37页 |
| ·隐含层神经元数与输入输出结点数的确定 | 第37页 |
| ·网络层数的确定 | 第37-38页 |
| ·学习速率与网络各层的激活函数的确定 | 第38页 |
| ·时间序列RNN模型 | 第38-40页 |
| ·实验与测试 | 第40-44页 |
| ·实验数据的选择与处理 | 第40页 |
| ·实验分析 | 第40-42页 |
| ·结果分析与对比 | 第42-44页 |
| ·本章小节 | 第44-46页 |
| 第五章 集成时间序列预测模型研究与实现 | 第46-56页 |
| ·集成学习算法 | 第46-48页 |
| ·集成学习的简介 | 第46-47页 |
| ·AdaBoost算法 | 第47-48页 |
| ·AdaBoost算法在预测中的应用 | 第48-51页 |
| ·用于预测的AdaBoost算法 | 第48-49页 |
| ·RNN基分类器 | 第49-50页 |
| ·集成预测模型 | 第50-51页 |
| ·实验过程 | 第51-55页 |
| ·训练数据与参数的选择 | 第51页 |
| ·实验分析 | 第51-55页 |
| ·本章小结 | 第55-56页 |
| 第六章 集成预测模型在隧道数据预测中的应用研究 | 第56-64页 |
| ·隧道烟雾浓度预测模型的建立 | 第56-59页 |
| ·烟雾浓度的RNN模型 | 第56-58页 |
| ·烟雾浓度的集成预测模型 | 第58-59页 |
| ·模型测试 | 第59-63页 |
| ·测试数据 | 第59页 |
| ·实验结果分析 | 第59-63页 |
| ·本章小结 | 第63-64页 |
| 第七章 结束语 | 第64-66页 |
| ·本文主要的研究工作 | 第64-65页 |
| ·展望 | 第65-66页 |
| 致谢 | 第66-68页 |
| 参考文献 | 第68-72页 |
| 在读期间的研究成果 | 第72页 |