基于BP神经网络的大气污染物浓度预测
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.1.1 研究背景 | 第11-12页 |
| 1.1.2 课题来源 | 第12页 |
| 1.1.3 研究意义 | 第12页 |
| 1.2 污染物浓度预报模型 | 第12-16页 |
| 1.2.1 数值模型 | 第13-14页 |
| 1.2.2 统计模型和机器学习模型 | 第14-15页 |
| 1.2.3 BP神经网络模型 | 第15页 |
| 1.2.4 BP神经网络变量筛选 | 第15-16页 |
| 1.3 主要工作及研究内容 | 第16-18页 |
| 1.3.1 研究内容 | 第16-17页 |
| 1.3.2 模型验证 | 第17页 |
| 1.3.3 创新点 | 第17页 |
| 1.3.4 技术路线 | 第17-18页 |
| 1.4 本章小结 | 第18-19页 |
| 第二章 人工神经网络概述 | 第19-39页 |
| 2.1 人工神经网络的概念 | 第19-21页 |
| 2.1.1 概述 | 第19页 |
| 2.1.2 人工神经网络发展史 | 第19-20页 |
| 2.1.3 人工神经网络特点 | 第20页 |
| 2.1.4 人工神经网络功能 | 第20-21页 |
| 2.2 人工神经网络模型 | 第21-29页 |
| 2.2.1 人工神经元模型 | 第21-26页 |
| 2.2.2 神经网络的拓扑结构 | 第26-29页 |
| 2.3 人工神经网络学习方式 | 第29-30页 |
| 2.3.1 有监督学习 | 第30页 |
| 2.3.2 无监督学习 | 第30页 |
| 2.3.3 强化学习 | 第30页 |
| 2.4 BP神经网络 | 第30-37页 |
| 2.4.1 BP神经网络网络结构 | 第31-32页 |
| 2.4.2 BP算法的实现 | 第32-33页 |
| 2.4.3 BP算法的数学推导 | 第33-35页 |
| 2.4.4 BP神经网络存在的问题及改进方法 | 第35-37页 |
| 2.5 本章小结 | 第37-39页 |
| 第三章 BP神经网络模型的建立 | 第39-55页 |
| 3.1 神经网络模型设计 | 第39-42页 |
| 3.1.1 模型的建立思路 | 第39页 |
| 3.1.2 确定神经网络结构 | 第39-41页 |
| 3.1.3 网络参数确定 | 第41-42页 |
| 3.2 模型的应用 | 第42-53页 |
| 3.2.1 数据来源及预处理 | 第42-43页 |
| 3.2.2 基于BP神经网络的模型的调试 | 第43-44页 |
| 3.2.3 变量筛选 | 第44-51页 |
| 3.2.4 MIV BP神经网络模型的调试 | 第51-53页 |
| 3.3 本章小结 | 第53-55页 |
| 第四章 模型的验证 | 第55-69页 |
| 4.1 统计分析 | 第55-56页 |
| 4.2 关上 | 第56-58页 |
| 4.3 金鼎山 | 第58-60页 |
| 4.4 碧鸡广场 | 第60-62页 |
| 4.5 龙泉镇 | 第62-64页 |
| 4.6 呈贡新区 | 第64-66页 |
| 4.7 东风东路 | 第66-68页 |
| 4.8 本章小结 | 第68-69页 |
| 第五章 污染物浓度预报结果分析 | 第69-75页 |
| 5.1 关上 | 第69页 |
| 5.2 金鼎山 | 第69-70页 |
| 5.3 碧鸡广场 | 第70页 |
| 5.4 龙泉镇 | 第70-71页 |
| 5.5 呈贡新区 | 第71页 |
| 5.6 东风东路 | 第71-72页 |
| 5.7 空气质量指数的预报 | 第72-73页 |
| 5.8 本章小结 | 第73-75页 |
| 第六章 结论和展望 | 第75-77页 |
| 6.1 结论 | 第75页 |
| 6.2 展望 | 第75-77页 |
| 致谢 | 第77-79页 |
| 参考文献 | 第79-83页 |
| 附录A 攻读硕士期间发表论文目录 | 第83-85页 |
| 附录B 攻读硕士期间参加的项目 | 第85页 |
