首页--工业技术论文--自动化技术、计算机技术论文--自动化基础理论论文--人工智能理论论文--自动推理、机器学习论文

基于机器学习的赤水河中下游水位预警研究

摘要第4-5页
abstract第5-6页
缩略词中英文对照表第9-10页
第一章 绪论第10-18页
    1.1 课题研究背景与意义第10-11页
    1.2 国内外研究现状第11-15页
        1.2.1 基于机器学习的水文预测模型研究现状第11-13页
        1.2.2 特征选择法研究现状第13-15页
    1.3 论文主要研究内容第15-16页
    1.4 论文结构安排第16-18页
第二章 基于机器学习的水位预测相关理论与技术第18-38页
    2.1 数据分析与预处理方法第18-21页
        2.1.1 数据分析与缺失项处理第18-20页
        2.1.2 数据标准化第20-21页
    2.2 特征选择算法第21-27页
        2.2.1 基于信息理论的特征选择法第23-25页
        2.2.2 基于相关性分析的特征选择法第25-26页
        2.2.3 迭代输入选择法IIS第26-27页
    2.3 特征分解与小波变换第27-30页
        2.3.1 小波变换第28-29页
        2.3.2 最大重叠离散小波变换MODWT第29-30页
    2.4 基于机器学习的水位预测算法第30-37页
        2.4.1 多元线性回归MLR算法原理第30-31页
        2.4.2 极端随机树Extra-Trees算法原理第31-33页
        2.4.3 人工神经网络ANN算法原理第33-37页
    2.5 本章小结第37-38页
第三章 基于机器学习的赤水河中下游水位预测模型第38-52页
    3.1 研究区域与数据资料第38-41页
        3.1.1 研究区域第38页
        3.1.2 数据资料与数据分析第38-41页
    3.2 原始输入集构建与特征选择第41-44页
        3.2.1 原始输入集构建第41-43页
        3.2.2 基于IIS的特征选择第43-44页
    3.3 基于IIS改进的TIFS特征选择法第44-47页
    3.4 基于MODWT的特征成分分解第47-48页
    3.5 基于IIS-MODWT与TIFS-MODWT的赤水河水位预测模型第48-50页
    3.6 模型性能评估第50-51页
    3.7 本章小结第51-52页
第四章 基于机器学习的赤水河中下游水位预测结果与分析第52-70页
    4.1 三种算法的基础模型预测效果对比第52-53页
    4.2 TIFS与IIS两种特征选择法性能对比第53-58页
        4.2.1 特征选择与模型训练耗时比较第54-55页
        4.2.2 模型预测性能比较第55-58页
    4.3 集成MODWT模型性能分析第58-65页
        4.3.1 基于原始输入集的MODWT性能分析第58-61页
        4.3.2 TIFS-MODWT性能分析第61-65页
    4.4 基于TIFS-MODWT-ANN模型的赤水河水位预测性能分析第65-69页
        4.4.1 基于TIFS-MODWT-ANN的赤水河水位预测性能第65-68页
        4.4.2 MODWT不同小波基与分解层数性能分析第68-69页
    4.5 本章小结第69-70页
第五章 赤水河中下游防汛决策支持与预警平台设计与实现第70-82页
    5.1 系统功能需求分析第70-71页
    5.2 系统整体设计第71-73页
        5.2.1 技术方案选型第71-72页
        5.2.2 系统整体设计第72-73页
    5.3 系统关键流程设计与实现第73-76页
        5.3.1 权限鉴定第73页
        5.3.2 数据同步第73-74页
        5.3.3 预警鉴定第74-75页
        5.3.4 实况监测第75页
        5.3.5 气象分布图第75-76页
        5.3.6 气象产品制作第76页
    5.4 系统测试分析第76-81页
        5.4.1 测试条件第76-77页
        5.4.2 测试结果与分析第77-81页
    5.5 本章小结第81-82页
第六章 总结与展望第82-84页
致谢第84-85页
参考文献第85-88页

论文共88页,点击 下载论文
上一篇:多目标进化算法及其在测试性设计中的应用研究
下一篇:基于多传感器联合的人体动作识别研究