| 摘要 | 第1-6页 |
| ABSTRACT | 第6-10页 |
| 第一章 绪论 | 第10-20页 |
| 1．1 研究背景 | 第10-11页 |
| 1．2 调度时用水量预测的特点 | 第11-12页 |
| 1．3 调度时用水量预测研究进展及评述 | 第12-17页 |
| 1．4 存在的问题和不足 | 第17-18页 |
| 1．5 本文的主要工作 | 第18-19页 |
| 1．6 本章小结 | 第19-20页 |
| 第二章 用水量时间观测序列的混沌辨识及混沌特性 | 第20-37页 |
| 2．1 引言 | 第20-21页 |
| 2．2 混沌相空间重构 | 第21-30页 |
| 2．2．1 最佳嵌入滞时τ | 第22-27页 |
| 2．2．2 最优嵌入维数m | 第27-30页 |
| 2．3 吸引子相图 | 第30-31页 |
| 2．4 改进的最大 Lyapunov指数计算方法 | 第31-35页 |
| 2．4．1 混沌与Lyapunov指数 | 第31-32页 |
| 2．4．2 基于权值搜索的Wolf改进算法 | 第32-35页 |
| 2．5 最大预测时间尺度 | 第35-36页 |
| 2．6 本章小结 | 第36-37页 |
| 第三章 日用水量观测序列的主因素分析粗糙集方法 | 第37-56页 |
| 3．1 引言 | 第37页 |
| 3．2 日用水量的影响因素及属性约简的必要 | 第37-39页 |
| 3．3 粗糙集理论的基本概念 | 第39-42页 |
| 3．4 基于粗糙集的属性约简 | 第42-46页 |
| 3．4．1 Hu X．属性约简及算法 | 第42-44页 |
| 3．4．2 可变精度的粗糙集模型 | 第44-45页 |
| 3．4．3 连续属性的离散化 | 第45-46页 |
| 3．5 日用水量的粗糙集属性约简算法设计 | 第46-48页 |
| 3．5．1 日用水量的 VPRS属性重要性及权重累积评价因子 | 第46-47页 |
| 3．5．2 基于权重累积评价的日用水量属性约简算法 | 第47-48页 |
| 3．6 实例分析 | 第48-55页 |
| 3．7 本章小结 | 第55-56页 |
| 第四章 日用水量预测的混沌支持向量回归模型 | 第56-83页 |
| 4．1 引言 | 第56页 |
| 4．2 支持向量回归预测模型理论(SVR) | 第56-64页 |
| 4．2．1 支持向量机理论的基本概念 | 第56-60页 |
| 4．2．2 支持向量回归(SVR) | 第60-64页 |
| 4．3 日用水量的支持向量回归预测模型 | 第64-68页 |
| 4．3．1 日用水量变化规律分析 | 第64-65页 |
| 4．3．2 基于等维新息的支持向量回归预测模型 | 第65-68页 |
| 4．4 日用水量的混沌支持向量回归预测模型 | 第68-70页 |
| 4．4．1 相空间支持向量回归预测模型 | 第68-70页 |
| 4．4．2 P-SVR预测模型相空间参数的选取 | 第70页 |
| 4．5 重大节假日的日用水量预测 | 第70-71页 |
| 4．6 预测前一日用水量的获得 | 第71页 |
| 4．7 模型预测结果评价指标 | 第71-72页 |
| 4．8 实例分析及比较 | 第72-82页 |
| 4．9 本章小结 | 第82-83页 |
| 第五章 比例时用水模式曲线聚类分析 | 第83-98页 |
| 5．1 引言 | 第83-86页 |
| 5．2 观测数据的平滑预处理 | 第86-87页 |
| 5．3 模糊 C均值聚类方法 | 第87-89页 |
| 5．3．1 模糊 C均值算法(FCM) | 第87-88页 |
| 5．3．2 模糊 C均值算法的模糊常数b | 第88-89页 |
| 5．4 限制类中模式曲线误差的动态模糊C均值聚类方法 | 第89-91页 |
| 5．5 聚类中心排序编号 | 第91-92页 |
| 5．6 聚类实例 | 第92-97页 |
| 5．7 本章小结 | 第97-98页 |
| 第六章 时用水模式曲线的主影响因素分析、模式识别及调度时用水量预测 | 第98-119页 |
| 6．1 引言 | 第98页 |
| 6．2 基于粗糙集理论的时用水模式曲线的主影响因素分析 | 第98-103页 |
| 6．2．1 时用水模式曲线的粗糙集属性约减 | 第98-99页 |
| 6．2．2 属性约减实例分析 | 第99-103页 |
| 6．3 基于支持向量回归理论的时用水模式曲线识别 | 第103-112页 |
| 6．3．1 SVM模式识别与SVR模式识别 | 第103页 |
| 6．3．2 时用水模式曲线识别的SVR模型 | 第103-104页 |
| 6．3．3 模式识别的SVR模型参数确定 | 第104-105页 |
| 6．3．4 模式曲线的内插生成(调整过程) | 第105-106页 |
| 6．3．5 模式曲线识别实例分析 | 第106-112页 |
| 6．4 调度时用水量预测 | 第112-116页 |
| 6．4．1 调度时用水量预测的系统模型 | 第112-113页 |
| 6．4．2 实例分析 | 第113-115页 |
| 6．4．3 模式曲线原始采样样本对调度时用水量预测的影响 | 第115-116页 |
| 6．5 实例:用水量观测系统波动程度对预测精度影响 | 第116-118页 |
| 6．6 本章小结 | 第118-119页 |
| 第七章 结论与展望 | 第119-122页 |
| 7．1 研究结论与创新点 | 第119-120页 |
| 7．2 研究展望 | 第120-122页 |
| 参考文献 | 第122-129页 |
| 致谢 | 第129-130页 |
| 附录:博士学位论文主要研究成果的发表或获奖清况 | 第130页 |
