| 中文摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景和意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 气象预报的研究发展 | 第10-11页 |
| 1.2.2 人工神经网络在气象预报中的研究发展 | 第11-13页 |
| 1.3 本论文的研究内容 | 第13-14页 |
| 1.4 本文的组织结构 | 第14-15页 |
| 1.5 本章小结 | 第15-16页 |
| 第二章 时间序列的RBF神经网络预测模型 | 第16-34页 |
| 2.1 时间序列 | 第16-19页 |
| 2.1.1 时间序列的定义 | 第16页 |
| 2.1.2 时间序列的发展 | 第16-17页 |
| 2.1.3 时间序列的分类 | 第17-18页 |
| 2.1.4 时间序列分析技术 | 第18-19页 |
| 2.2 人工神经网络 | 第19-25页 |
| 2.2.1 人工神经网络的历史发展 | 第19-20页 |
| 2.2.2 人工神经网络模型 | 第20-22页 |
| 2.2.3 人工神经网络结构 | 第22-24页 |
| 2.2.4 人工神经网络的学习 | 第24页 |
| 2.2.5 人工神经网络的学习算法 | 第24-25页 |
| 2.3 径向基函数神经网络 | 第25-31页 |
| 2.3.1 径向基函数神经网络结构 | 第26-28页 |
| 2.3.2 径向基函数神经网络的学习算法 | 第28-31页 |
| 2.4 时间序列的RBF神经网络预测模型 | 第31-32页 |
| 2.4.1 时间序列预测原理 | 第31-32页 |
| 2.4.2 建立时间序列的RBF神经网络预测模型的步骤 | 第32页 |
| 2.5 本章小结 | 第32-34页 |
| 第三章 粒子群算法及改进 | 第34-47页 |
| 3.1 基本粒子群算法 | 第34-38页 |
| 3.1.1 粒子群算法的原理 | 第34-36页 |
| 3.1.2 基本粒子群算法流程 | 第36-37页 |
| 3.1.3 粒子群算法的参数设置分析 | 第37-38页 |
| 3.2 粒子群算法的改进 | 第38-42页 |
| 3.2.1 粒子群算法的改进现状 | 第38-39页 |
| 3.2.2 目前常用粒子群改进算法 | 第39-42页 |
| 3.3 变异PSO算法 | 第42-45页 |
| 3.3.1 变异PSO算法的策略 | 第42-43页 |
| 3.3.2 变异PSO算法 | 第43-45页 |
| 3.4 PSO算法优化RBF神经网络的思路 | 第45-46页 |
| 3.5 本章小结 | 第46-47页 |
| 第四章 基于改进PSO-RBF神经网络的气温预测 | 第47-56页 |
| 4.1 气温预测模型的建立 | 第47-50页 |
| 4.1.1 气温时间序列的预处理 | 第47-48页 |
| 4.1.2 气温时间序列的RBF神经网络预测模型 | 第48-49页 |
| 4.1.3 建立基于改进PSO-RBF神经网络的气温预测模型 | 第49-50页 |
| 4.2 基于改进PSO-RBF神经网络的气温预测结果及分析 | 第50-55页 |
| 4.2.1 算法变异前后的收敛曲线对比 | 第50-52页 |
| 4.2.2 变异前后气温预测结果的分析 | 第52-55页 |
| 4.4 本章小结 | 第55-56页 |
| 第五章 总结与展望 | 第56-57页 |
| 5.1 论文工作总结 | 第56页 |
| 5.2 研究展望 | 第56-57页 |
| 参考文献 | 第57-60页 |
| 在学期间的研究成果 | 第60-61页 |
| 致谢 | 第61页 |
