| 摘要 | 第7-8页 |
| Abstract | 第8-9页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 课题意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 主要研究内容 | 第13-15页 |
| 第2章 基于正态分布噪声神经网络模型的超短期风速预测研究 | 第15-28页 |
| 2.1 BP神经网络 | 第15-18页 |
| 2.1.1 网络结构 | 第15-17页 |
| 2.1.2 网络学习算法 | 第17-18页 |
| 2.2 风速数据预处理 | 第18-19页 |
| 2.3 风速输入矩阵的建立 | 第19-22页 |
| 2.4 正态分布噪声神经网络超短期风速预测研究 | 第22-27页 |
| 2.4.1 NDN神经网络学习算法 | 第22-24页 |
| 2.4.2 NDN神经网络性能分析 | 第24-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第3章 基于NDN神经网络的混合优化模型超短期风速预测研究 | 第28-41页 |
| 3.1 基于粒子群优化NDN神经网络超短期风速预测研究 | 第28-33页 |
| 3.1.1 PSO优化算法基本理论 | 第28-29页 |
| 3.1.2 PSO优化NDN神经网络实现 | 第29-30页 |
| 3.1.3 PSO-NDN模型预测结果分析 | 第30-33页 |
| 3.2 基于萤火虫算法优化NDN神经网络超短期风速预测研究 | 第33-39页 |
| 3.2.1 萤火虫算法简介 | 第33页 |
| 3.2.2 萤火虫算法原理 | 第33页 |
| 3.2.3 算法数学描述 | 第33-34页 |
| 3.2.4 传统萤火虫算法优缺点 | 第34-35页 |
| 3.2.5 FA优化NDN神经网络原理 | 第35-36页 |
| 3.2.6 基于FA优化NDN神经网络超短期风速预测 | 第36-37页 |
| 3.2.7 FA-NDN模型预测结果分析 | 第37-39页 |
| 3.3 本章小结 | 第39-41页 |
| 第4章 基于小波分解的组合模型超短期风速预测研究 | 第41-57页 |
| 4.1 小波及小波分析简介 | 第41页 |
| 4.2 小波变换原理 | 第41-43页 |
| 4.2.1 连续的小波变换 | 第42页 |
| 4.2.2 离散的小波变换 | 第42-43页 |
| 4.3 基于小波分解的PSO-NDN神经网络模型 | 第43-50页 |
| 4.3.1 建模数据预处理 | 第44页 |
| 4.3.2 模型预测实例分析 | 第44-50页 |
| 4.4 基于小波分解的FA-NDN模型超短期风速预测 | 第50-56页 |
| 4.4.1 WD-FA-NDN组合模型风速预测流程 | 第50-51页 |
| 4.4.2 WD-FA-NDN组合模型风速预测实例分析 | 第51-56页 |
| 4.5 本章小结 | 第56-57页 |
| 第5章 结论与展望 | 第57-59页 |
| 5.1 结论 | 第57-58页 |
| 5.2 展望 | 第58-59页 |
| 参考文献 | 第59-64页 |
| 致谢 | 第64-65页 |
| 附录A 攻读学位期间所发表的学术论文目录 | 第65页 |
