| 摘要 | 第1-5页 |
| Abstract | 第5-10页 |
| 第1章 绪论 | 第10-15页 |
| ·课题背景及研究意义 | 第10页 |
| ·国内外在该方向的研究现状及分析 | 第10-13页 |
| ·环境系统建模的主要方法及其优缺点 | 第10-11页 |
| ·神经网络在环境系统建模中的应用及其优缺点 | 第11页 |
| ·小波神经网络的发展状况及其在环境系统建模中的优势 | 第11-13页 |
| ·论文的主要工作 | 第13-15页 |
| 第2章 小波神经网络的算法研究 | 第15-33页 |
| ·小波神经网络概述 | 第15-18页 |
| ·小波神经网络结构形式 | 第15-16页 |
| ·二进制小波网络结构 | 第16-18页 |
| ·小波神经网络传统算法 | 第18-22页 |
| ·输出层权值的训练算法 | 第19-21页 |
| ·隐层神经元数目的确定和输入层权值训练算法 | 第21-22页 |
| ·小波神经网络的改进算法研究 | 第22-28页 |
| ·基于输入样本信息的输入层权值确定方法 | 第22-25页 |
| ·输出层权值的改进学习算法 | 第25-28页 |
| ·小波神经网络参数的选取及其初始化 | 第28-30页 |
| ·激活函数的选取 | 第28-29页 |
| ·输出权值的初始化 | 第29-30页 |
| ·仿真实例 | 第30-32页 |
| ·本章小结 | 第32-33页 |
| 第3章 多维小波神经网络的结构和算法 | 第33-43页 |
| ·传统多维小波神经网络的结构和算法 | 第33-37页 |
| ·多维小波神经网络的结构 | 第33-35页 |
| ·多维小波神经网络算法 | 第35页 |
| ·仿真实例 | 第35-37页 |
| ·存在的问题 | 第37页 |
| ·基于输出层张量积结构的多维小波神经网络 | 第37-42页 |
| ·网络的构造 | 第37-39页 |
| ·算法研究 | 第39-40页 |
| ·仿真实例 | 第40-42页 |
| ·本章小结 | 第42-43页 |
| 第4章 非等分辨率小波神经网络算法研究 | 第43-63页 |
| ·非等分辨率小波神经网络 | 第43-54页 |
| ·数据不均匀时等分辨率算法的缺陷分析 | 第43-46页 |
| ·非等分辨率小波神经网络的结构和算法 | 第46-49页 |
| ·仿真实例 | 第49-53页 |
| ·多维非等分辨率小波神经网络 | 第53-54页 |
| ·“松散型”多尺度小波神经网络 | 第54-62页 |
| ·Mallat算法 | 第54-57页 |
| ·离散序列的分解、重构 | 第57-58页 |
| ·含噪信号的消噪处理 | 第58-59页 |
| ·时间序列的“分解-重构-建模（预测）”方法 | 第59-60页 |
| ·仿真实例 | 第60-62页 |
| ·本章小结 | 第62-63页 |
| 第5章 小波神经网络在环境系统建模中的应用 | 第63-89页 |
| ·数据分析与预处理 | 第63-68页 |
| ·输入量的选择 | 第63-64页 |
| ·离群数据的挖掘和处理 | 第64-65页 |
| ·数据的消噪处理 | 第65-67页 |
| ·数据的标准化处理 | 第67-68页 |
| ·非等分辨率小波神经网络用于数据的补偿 | 第68-72页 |
| ·“紧凑型”小波神经网络用于大气NO_2 浓度预测 | 第72-78页 |
| ·小波神经网络大气NO_2 浓度预测模型的结构 | 第72-75页 |
| ·预测模型参数的确定 | 第75-76页 |
| ·预测模型的训练 | 第76-77页 |
| ·模型的推广能力和预测结果 | 第77-78页 |
| ·“分解-重构-预测”小波网络用于大气NO_2 浓度的预测 | 第78-85页 |
| ·大气NO_2 浓度时间序列的小波分解和重构 | 第78-79页 |
| ·各小波系数重构序列的建模和预测 | 第79-83页 |
| ·大气NO_2 浓度最终预测结果 | 第83-85页 |
| ·预测结果的比较和分析 | 第85-88页 |
| ·本章小结 | 第88-89页 |
| 结论 | 第89-90页 |
| 参考文献 | 第90-94页 |
| 攻读学位期间发表的学术论文 | 第94-96页 |
| 致谢 | 第96页 |
