| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 1 绪论 | 第10-16页 |
| 1.1 研究的目的及意义 | 第10-11页 |
| 1.2 国内外研究发展状况 | 第11-13页 |
| 1.2.1 国外研究现状 | 第12-13页 |
| 1.2.2 国内研究现状 | 第13页 |
| 1.3 本文的主要工作及内容安排 | 第13-16页 |
| 2 人工神经网络基本理论 | 第16-24页 |
| 2.1 人工神经网络 | 第16页 |
| 2.2 神经网络结构 | 第16-21页 |
| 2.2.1 人工神经元模型 | 第16-18页 |
| 2.2.2 神经网络中的激活函数 | 第18-19页 |
| 2.2.3 神经网络的网络结构 | 第19-21页 |
| 2.3 人工神经网络的学习 | 第21-22页 |
| 2.4 本章小结 | 第22-24页 |
| 3 PM2.5质量浓度预测理论、数据处理及仿真环境 | 第24-30页 |
| 3.1 PM2.5预测原理 | 第24页 |
| 3.2 数据来源及处理 | 第24-28页 |
| 3.2.1 数据介绍与预处理 | 第24-25页 |
| 3.2.2 数据归一化 | 第25-28页 |
| 3.3 仿真软件 | 第28-29页 |
| 3.4 本章小结 | 第29-30页 |
| 4 基于误差反向传播(BP)神经网络的PM2.5预测 | 第30-38页 |
| 4.1 BP神经网络 | 第30-31页 |
| 4.2 BP网络学习算法 | 第31-32页 |
| 4.3 基于BP神经网络的PM2.5预测仿真 | 第32-36页 |
| 4.3.1 BP神经网络结构的确定 | 第32-33页 |
| 4.3.2 Matlab下PM2.5预测仿真 | 第33-36页 |
| 4.4 本章小结 | 第36-38页 |
| 5 基于T-S模糊神经网络的PM2.5预测 | 第38-48页 |
| 5.1 T-S模糊模型 | 第38-39页 |
| 5.2 T-S模糊神经网络 | 第39-40页 |
| 5.3 T-S模糊神经网络的学习算法 | 第40-41页 |
| 5.4 基于T-S模糊神经网络的PM2.5预测仿真 | 第41-47页 |
| 5.5 本章小结 | 第47-48页 |
| 6 基于遗传算法优化的BP神经网络的PM2.5预测 | 第48-62页 |
| 6.1 遗传算法 | 第48-50页 |
| 6.1.1 遗传算法的原理及步骤 | 第48-50页 |
| 6.2 遗传算法优化的BP神经网络 | 第50-51页 |
| 6.3 基于遗传算法优化的BP神经网络PM2.5预测仿真 | 第51-61页 |
| 6.3.1 Matlab下PM2.5预测仿真 | 第51-61页 |
| 6.4 本章小结 | 第61-62页 |
| 7 总结与展望 | 第62-64页 |
| 7.1 全文工作总结 | 第62-63页 |
| 7.2 未来工作展望 | 第63-64页 |
| 致谢 | 第64-66页 |
| 参考文献 | 第66-70页 |
| 攻读学位期间发表的学术成果目录 | 第70-72页 |
