RBF神经网络在气象时间序列预测中的应用
| 摘要 | 第1-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第8-13页 |
| ·研究背景及意义 | 第8-9页 |
| ·国内外研究现状 | 第9-11页 |
| ·传统时间序列模型 | 第9页 |
| ·神经网络模型 | 第9-11页 |
| ·论文主要工作 | 第11页 |
| ·论文组织结构 | 第11-13页 |
| 第二章 时间序列预测及神经网络介绍 | 第13-25页 |
| ·时间序列概念 | 第13-14页 |
| ·时间序列预测方法 | 第14-16页 |
| ·传统统计学时间序列预测方法 | 第14-15页 |
| ·神经网络时间序列预测方法 | 第15-16页 |
| ·人工神经网络概述 | 第16-19页 |
| ·神经元模型结构 | 第16-18页 |
| ·网络结构及工作方式 | 第18-19页 |
| ·RBF神经网络模型 | 第19-24页 |
| ·RBF网络结构 | 第19-21页 |
| ·RBF网络性能分析 | 第21-22页 |
| ·RBF网络学习算法 | 第22-24页 |
| ·本章小结 | 第24-25页 |
| 第三章 优化的RBF神经网络模型及其应用 | 第25-39页 |
| ·粒子群优化算法 | 第25-28页 |
| ·基本粒子群算法 | 第25-27页 |
| ·带惯性权重的PSO算法 | 第27页 |
| ·PSO算法与其他优化算法的比较 | 第27-28页 |
| ·量子粒子群优化算法 | 第28-34页 |
| ·思想来源 | 第28-29页 |
| ·QPSO算法基本原理 | 第29-32页 |
| ·QPSO算法收敛性分析 | 第32-33页 |
| ·QPSO算法与PSO算法比较 | 第33-34页 |
| ·预测模型建立 | 第34-36页 |
| ·PSO-RBF神经网络模型 | 第34-35页 |
| ·QPSO-RBF神经网络模型 | 第35-36页 |
| ·预测结果及分析 | 第36-38页 |
| ·本章小结 | 第38-39页 |
| 第四章 改进的QPSO算法及其性能分析 | 第39-50页 |
| ·遗传算法 | 第39-42页 |
| ·基本思想 | 第39页 |
| ·遗传操作 | 第39-42页 |
| ·改进的QPSO算法 | 第42-46页 |
| ·早熟现象的判定 | 第43页 |
| ·遗传操作的触发 | 第43-44页 |
| ·基于遗传操作的QPSO算法流程 | 第44-46页 |
| ·GQPSO算法性能分析 | 第46-49页 |
| ·标准测试函数 | 第46-47页 |
| ·性能评价标准 | 第47页 |
| ·实验参数设置 | 第47-48页 |
| ·实验结果分析 | 第48-49页 |
| ·本章小结 | 第49-50页 |
| 第五章 基于改进RBF神经网络的气温预测模型 | 第50-63页 |
| ·气象数据的来源 | 第50-51页 |
| ·气象数据预处理 | 第51-54页 |
| ·预报因子的选择 | 第51-53页 |
| ·气象资料标准化 | 第53-54页 |
| ·预测模型的建立 | 第54-57页 |
| ·实验结果及分析 | 第57-62页 |
| ·本章小结 | 第62-63页 |
| 第六章 总结与展望 | 第63-65页 |
| ·论文工作总结 | 第63-64页 |
| ·研究工作展望 | 第64-65页 |
| 参考文献 | 第65-70页 |
| 致谢 | 第70-71页 |
| 作者简介 | 第71页 |
