| 摘要 | 第3-5页 |
| Abstract | 第5-7页 |
| 第1章 绪论 | 第10-20页 |
| 1.1 研究的背景与意义 | 第10-12页 |
| 1.2 国内外的研究现状 | 第12-17页 |
| 1.3 论文研究方法及内容 | 第17-19页 |
| 1.4 本文的组织结构 | 第19-20页 |
| 第2章 相关基础理论知识 | 第20-27页 |
| 2.1 时间序列 | 第20-21页 |
| 2.1.1 时间序列的基本概念 | 第20页 |
| 2.1.2 时间序列的统计特征 | 第20-21页 |
| 2.1.3 时间序列的平稳性 | 第21页 |
| 2.2 神经网络 | 第21-26页 |
| 2.2.1 神经元模型 | 第21-24页 |
| 2.2.2 神经元网络模型 | 第24-25页 |
| 2.2.3 神经网络学习规则 | 第25-26页 |
| 2.3 本章小结 | 第26-27页 |
| 第3章 基于时序相关性的多元线性回归空气质量预测模型 | 第27-40页 |
| 3.1 多元线性回归模型的一般形式 | 第27-28页 |
| 3.2 用过去h小时的数据预测未来空气质量的模型 | 第28-29页 |
| 3.3 一种改进的空气质量预测模型 | 第29-34页 |
| 3.3.1 空气质量的季节特征 | 第30-31页 |
| 3.3.2 月平均值与分段平均值 | 第31-32页 |
| 3.3.3 带有分段平均值和月平均值参数的预测模型 | 第32-34页 |
| 3.4 实验结果与分析 | 第34-38页 |
| 3.5 本章小结 | 第38-40页 |
| 第4章 基于空间相关性的ANN空气质量预测模型 | 第40-54页 |
| 4.1 空间相关联数据的选取 | 第40-42页 |
| 4.2 数据预处理 | 第42-43页 |
| 4.3 基于ANN空气质量预测模型的构建 | 第43-50页 |
| 4.4 实验结果与分析 | 第50-53页 |
| 4.5 本章小结 | 第53-54页 |
| 第5章 基于时序多元线性回归和空间ANN的混合预测模型 | 第54-68页 |
| 5.1 构建混合模型 | 第54-55页 |
| 5.2 实验结果与分析 | 第55-66页 |
| 5.2.1 北京海淀北部新区监测站数据实验结果 | 第55-59页 |
| 5.2.2 深圳华桥城监测站数据神经网络模型实验结果 | 第59-62页 |
| 5.2.3 深圳华桥城监测站数据混合模型实验结果 | 第62-66页 |
| 5.2.4 实验结果与分析 | 第66页 |
| 5.3 本章小结 | 第66-68页 |
| 第6章 总结 | 第68-70页 |
| 参考文献 | 第70-74页 |
| 致谢 | 第74-75页 |
