| 前言 | 第1-15页 |
| 第一章 时间序列预测方法 | 第15-18页 |
| 1．1 时间序列的概念与特征 | 第15页 |
| 1．1．1 时间序列的概念 | 第15页 |
| 1．1．2 时间序列的特征 | 第15页 |
| 1．2 利用ARIMA时间序列模型进行负荷预测 | 第15-18页 |
| 1．2．1 疏系数ARIMA（p，d，q）模型的建立 | 第15-17页 |
| 1．2．2 数据处理 | 第17-18页 |
| 第二章 人工神经网络预测方法 | 第18-26页 |
| 2．1 人工神经元模型 | 第18-19页 |
| 2．2 人工神经网络的构成 | 第19页 |
| 2．3 人工神经网络的基本学习规则 | 第19-20页 |
| 2．4 人工神经网络的学习方法 | 第20-21页 |
| 2．5 隐含层数及隐含层节点数的选取 | 第21-22页 |
| 2．6 BP神经网络模型 | 第22-23页 |
| 2．6．1 BP神经网络模型简介 | 第22页 |
| 2．6．2 BP神经网络的结构 | 第22-23页 |
| 2．7 负荷数据归一化处理和气象数据量化处理 | 第23-24页 |
| 2．7．1 负荷值的归一化处理 | 第23页 |
| 2．7．2 温度的量化 | 第23页 |
| 2．7．3 天气类型的量化 | 第23页 |
| 2．7．4 日期类型的量化 | 第23页 |
| 2．7．5 节假日负荷预测的特殊处理 | 第23-24页 |
| 2．7．6 学习收敛的判断 | 第24页 |
| 2．8 样本数据预处理 | 第24-26页 |
| 2．8．1 数据误差产生原因 | 第24页 |
| 2．8．2 数据预处理方法 | 第24-26页 |
| 第三章 FIR滤波器设计 | 第26-35页 |
| 3．1 FIR滤波器基础 | 第26页 |
| 3．1．1 线性相位概念 | 第26页 |
| 3．1．2 具有线性相位的FIR滤波器的特点 | 第26页 |
| 3．1．3 FIR滤波器设计要点 | 第26页 |
| 3．2 FIR滤波器设计方法 | 第26-32页 |
| 3．2．1 窗函数设计法 | 第27-30页 |
| 3．2．2 频率抽样法 | 第30-32页 |
| 3．3 设计实例 | 第32-35页 |
| 第四章 遗传算法优化神经网络 | 第35-54页 |
| 4．1 遗传算法概要 | 第35-36页 |
| 4．1．1 生物进化理论和遗传学的基本知识 | 第35页 |
| 4．1．2 遗传算法的基本思想 | 第35页 |
| 4．1．3 遗传算法的特点 | 第35-36页 |
| 4．2 适应度函数及其尺度变换 | 第36-38页 |
| 4．2．1 几种常用的适应度函数 | 第36页 |
| 4．2．2 适应度函数的作用 | 第36-37页 |
| 4．2．3 适应度函数的尺度变换 | 第37页 |
| 4．2．4 适应度函数的设计对遗传算法的影响 | 第37-38页 |
| 4．3 遗传操作 | 第38-40页 |
| 4．3．1 选择／复制 | 第38页 |
| 4．3．2 交叉／基因重组 | 第38-40页 |
| 4．3．3 变异 | 第40页 |
| 4．4 参数选择 | 第40-42页 |
| 4．5 遗传算法的收敛性分析 | 第42-43页 |
| 4．5．1 Markov链 | 第42页 |
| 4．5．2 遗传算法的收敛性分析 | 第42-43页 |
| 4．6 遗传算法在神经网络学习中的应用 | 第43-44页 |
| 4．7 优化人工神经网络结构 | 第44-47页 |
| 4．7．1 神经网络拓扑结构进化方案 | 第44-45页 |
| 4．7．2 遗传算法优化神经网络隐层节点 | 第45-47页 |
| 4．7．3 网络结构优化实例研究 | 第47页 |
| 4．8 优化神经网络权值 | 第47-54页 |
| 4．8．1 神经网络连接权的进化 | 第48-50页 |
| 4．8．2 网络权值优化实例研究 | 第50-54页 |
| 第五章 实例研究 | 第54-58页 |
| 5．1 应用背景 | 第54页 |
| 5．2 应用实例 | 第54-58页 |
| 5．2．1 FIR滤波器滤波效果实例 | 第54-55页 |
| 5．2．2 遗传算法优化神经网络结构实例 | 第55页 |
| 5．2．3 遗传算法优化神经网络权值实例 | 第55-56页 |
| 5．2．4 电力系统负荷预测曲线 | 第56-58页 |
| 结论 | 第58-59页 |
| 致谢 | 第59-60页 |
| 参考文献 | 第60-61页 |