| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRASCT | 第7页 |
| 1 绪论 | 第10-20页 |
| 1.1 研究背景及意义 | 第10-13页 |
| 1.1.1 研究背景 | 第10-12页 |
| 1.1.2 研究意义 | 第12-13页 |
| 1.2 研究现状 | 第13-17页 |
| 1.2.1 地铁热环境研究现状 | 第13-16页 |
| 1.2.2 小波神经网络预测研究现状 | 第16-17页 |
| 1.3 主要研究内容与技术路线 | 第17-20页 |
| 2 地铁热环境分析与预测 | 第20-31页 |
| 2.1 地铁热环境及地铁环境控制 | 第20-25页 |
| 2.1.1 地铁环境的概念和特点 | 第20-21页 |
| 2.1.2 地铁环境控制系统的概念和特点 | 第21-25页 |
| 2.2 地铁热环境参量数据的特征和分析预测方法的遴选 | 第25-30页 |
| 2.2.1 地铁热环境参量数据特征 | 第25-28页 |
| 2.2.2 数据除噪方法选择 | 第28页 |
| 2.2.3 地铁热环境参量趋势预测方法选择 | 第28-30页 |
| 2.3 本章小结 | 第30-31页 |
| 3 基于小波分析的数据预处理 | 第31-45页 |
| 3.1 小波分析基本原理和特点 | 第31-35页 |
| 3.1.1 小波的基本概念和发展 | 第31-32页 |
| 3.1.2 小波变换的特点和作用 | 第32-33页 |
| 3.1.3 连续小波变换 | 第33-35页 |
| 3.2 小波除噪原理分析 | 第35-36页 |
| 3.2.1 小波除噪的原理 | 第35页 |
| 3.2.2 小波除噪的步骤 | 第35-36页 |
| 3.3 相关参数的选择 | 第36-44页 |
| 3.3.1 小波函数的选择 | 第36-40页 |
| 3.3.2 阈值的确定 | 第40-42页 |
| 3.3.3 分解层次的确定 | 第42-44页 |
| 3.4 本章小结 | 第44-45页 |
| 4 地铁热环境趋势预测系统的构建与实现 | 第45-74页 |
| 4.1 基于人工神经网络的地铁热环境参量预测模型 | 第45-53页 |
| 4.1.1 人工神经网络概述 | 第45-47页 |
| 4.1.2 人工神经网络的分类 | 第47-49页 |
| 4.1.3 人工神经网络处理实际问题的一般步骤 | 第49页 |
| 4.1.4 BP神经网络算法概述 | 第49-53页 |
| 4.2 基于小波神经网络的地铁热环境参量预测系统 | 第53-72页 |
| 4.2.1 小波神经网络模型的构建 | 第53-56页 |
| 4.2.2 地铁热环境参量预测模型实例验证分析 | 第56-68页 |
| 4.2.3 地铁热环境预测软件设计 | 第68-72页 |
| 4.3 本章小结 | 第72-74页 |
| 5 总结与展望 | 第74-76页 |
| 参考文献 | 第76-79页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第79-81页 |
| 学位论文数据集 | 第81页 |