农田小气候时序数据特征分析与预测
| 中文摘要 | 第8-9页 |
| Abstract | 第9-10页 |
| 1 绪论 | 第11-21页 |
| 1.1 选题背景与研究意义 | 第11-12页 |
| 1.2 国内外研究现状及分析 | 第12-18页 |
| 1.2.1 混沌时间序列预测研究现状 | 第12-14页 |
| 1.2.2 神经网络研究现状 | 第14-15页 |
| 1.2.3 气象预测研究现状 | 第15-18页 |
| 1.3 课题来源 | 第18页 |
| 1.4 主要研究内容、技术路线及创新点 | 第18-21页 |
| 1.4.1 主要研究内容 | 第18-19页 |
| 1.4.2 创新点 | 第19页 |
| 1.4.3 技术路线图 | 第19-21页 |
| 2 基本理论与方法 | 第21-29页 |
| 2.1 混沌时间序列理论 | 第21-26页 |
| 2.1.1 混沌特性识别 | 第21页 |
| 2.1.2 混沌时间序列相空间重构 | 第21-23页 |
| 2.1.3 混沌时间序列预测 | 第23-26页 |
| 2.2 神经网络基本理论 | 第26-28页 |
| 2.3 小结 | 第28-29页 |
| 3 农田小气候时序数据特征分析 | 第29-48页 |
| 3.1 农田小气候时间序列 | 第29-32页 |
| 3.2 农田小气候特征定性分析 | 第32-37页 |
| 3.2.1 非线性依赖性 | 第32-34页 |
| 3.2.2 长记忆性特征 | 第34-35页 |
| 3.2.3 周期性特征 | 第35-37页 |
| 3.3 农田小气候时序数据重构 | 第37-43页 |
| 3.3.1 嵌入维的选取 | 第37-39页 |
| 3.3.2 嵌入延迟计算 | 第39-43页 |
| 3.4 农田小气候混沌特性定量分析 | 第43-46页 |
| 3.4.1 Kolmogorov熵 | 第43-44页 |
| 3.4.2 lyapunov指数 | 第44-45页 |
| 3.4.3 关联维数 | 第45-46页 |
| 3.5 小结 | 第46-48页 |
| 4 基于时间延迟的混沌神经网络多步预测模型 | 第48-56页 |
| 4.1 问题描述 | 第48-49页 |
| 4.2 基于时间延迟的混沌神经网络改进模型 | 第49-51页 |
| 4.2.1 单步预测模型 | 第49页 |
| 4.2.2 多步预测模型 | 第49-51页 |
| 4.3 模型有效性验证 | 第51-55页 |
| 4.3.1 实验步骤 | 第51页 |
| 4.3.2 结果对比分析 | 第51-55页 |
| 4.4 小结 | 第55-56页 |
| 5 基于混沌神经网络的农田小气候预测 | 第56-67页 |
| 5.1 空气温度预测分析 | 第56-59页 |
| 5.1.1 预测精度分析 | 第56-57页 |
| 5.1.2 最大预测时长分析 | 第57-59页 |
| 5.2 空气湿度预测分析 | 第59-60页 |
| 5.2.1 预测精度分析 | 第59-60页 |
| 5.2.2 最大预测时长分析 | 第60页 |
| 5.3 二氧化碳浓度预测分析 | 第60-62页 |
| 5.3.1 预测精度分析 | 第60-62页 |
| 5.3.2 最大预测时长分析 | 第62页 |
| 5.4 光照强度预测分析 | 第62-64页 |
| 5.4.1 预测精度分析 | 第62-63页 |
| 5.4.2 最大预测时长分析 | 第63-64页 |
| 5.5 风速预测分析 | 第64-66页 |
| 5.5.1 预测精度分析 | 第64-65页 |
| 5.5.2 最大预测时长分析 | 第65-66页 |
| 5.6 小结 | 第66-67页 |
| 6 农田小气候多尺度趋势预报模型研究 | 第67-74页 |
| 6.1 问题描述 | 第67页 |
| 6.2 经验模式分解方法 | 第67-68页 |
| 6.3 多尺度预报建模 | 第68-73页 |
| 6.3.1 经验模式分解 | 第69页 |
| 6.3.2 周期特征提取 | 第69-70页 |
| 6.3.3 混沌特征量确定 | 第70-71页 |
| 6.3.4 混沌神经网络建模 | 第71-73页 |
| 6.4 小结 | 第73-74页 |
| 7 总结与展望 | 第74-76页 |
| 7.1 总结 | 第74页 |
| 7.2 展望 | 第74-76页 |
| 参考文献 | 第76-81页 |
| 致谢 | 第81-82页 |
| 攻读硕士学位期间发表论文及其他成果 | 第82页 |
