| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 选题背景及研究意义 | 第9-10页 |
| 1.2 研究现状 | 第10-13页 |
| 1.2.1 国内外研究现状 | 第10-11页 |
| 1.2.2 神经网络在空气质量预报中的应用 | 第11-12页 |
| 1.2.3 环境气象数值预报模式介绍 | 第12-13页 |
| 1.3 论文主要内容 | 第13-14页 |
| 1.4 论文组织安排 | 第14-16页 |
| 第二章 数据处理及相关方法 | 第16-25页 |
| 2.1 数据处理 | 第16-17页 |
| 2.1.1 模式数据 | 第16页 |
| 2.1.2 数据预处理 | 第16-17页 |
| 2.2 相关检验方法 | 第17-20页 |
| 2.2.1 空气质量指数检验 | 第18-19页 |
| 2.2.2 污染物浓度检验 | 第19-20页 |
| 2.3 传统多模式集成方法 | 第20-24页 |
| 2.3.1 算术平均集成 | 第20页 |
| 2.3.2 权重集成 | 第20-21页 |
| 2.3.3 多元线性回归集成 | 第21-22页 |
| 2.3.4 实验结果及分析 | 第22-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第三章 基于BP神经网络的多模式集成预报模型 | 第25-41页 |
| 3.1 BP神经网络 | 第25-27页 |
| 3.2 基于BPANN的多模式集成模型的建立 | 第27-28页 |
| 3.3 BPANN模型参数确定 | 第28-32页 |
| 3.4 BPANN集成预报结果分析 | 第32-39页 |
| 3.4.1 污染物浓度预报结果分析 | 第32-37页 |
| 3.4.2 空气质量预报结果分析 | 第37-38页 |
| 3.4.3 重污染过程分析 | 第38-39页 |
| 3.5 本章小结 | 第39-41页 |
| 第四章 多种神经网络在多模式集成预报中的研究 | 第41-60页 |
| 4.1 神经网络集成方法 | 第41-46页 |
| 4.1.1 径向基神经网络 | 第41-42页 |
| 4.1.2 Elman神经网络 | 第42-43页 |
| 4.1.3 小波神经网络 | 第43-45页 |
| 4.1.4 T-S模糊神经网络 | 第45-46页 |
| 4.2 多种神经网络集成模型的建立 | 第46-47页 |
| 4.3 各模型参数确定 | 第47-52页 |
| 4.4 集成预报结果及分析 | 第52-59页 |
| 4.4.1 污染物浓度预报结果比较 | 第53-56页 |
| 4.4.2 AQI序列比较 | 第56-58页 |
| 4.4.3 PM_(2.5)预报结果比较 | 第58-59页 |
| 4.5 本章小结 | 第59-60页 |
| 第五章 基于IWNN的多模式集成预报模型 | 第60-68页 |
| 5.1 改进小波神经网络 | 第60-61页 |
| 5.2 基于IWNN的多模式集成预报算法流程 | 第61-62页 |
| 5.3 附加动量的确定 | 第62-63页 |
| 5.4 IWNN集成结果分析 | 第63-67页 |
| 5.4.1 不同污染物预报结果分析 | 第63-66页 |
| 5.4.2 PM_(2.5)预报结果分析 | 第66-67页 |
| 5.5 本章小结 | 第67-68页 |
| 第六章 基于IPSO-IWNN的多模式集成预报模型 | 第68-82页 |
| 6.1 粒子群算法 | 第68-69页 |
| 6.2 改进粒子群算法 | 第69-71页 |
| 6.3 基于IPSO-IWNN的多模式集成预报模型 | 第71-73页 |
| 6.3.1 IPSO算法参数设置 | 第71-72页 |
| 6.3.2 基于IPSO-IWNN的多模式集成预报算法流程 | 第72-73页 |
| 6.4 IPSO与PSO对比分析 | 第73-74页 |
| 6.5 IPSO-IWNN集成结果分析 | 第74-80页 |
| 6.5.1 不同污染物预报结果分析 | 第74-77页 |
| 6.5.2 PM_(2.5)预报结果分析 | 第77-80页 |
| 6.5.3 与传统方法及IPSO-BPANN的比较 | 第80页 |
| 6.6 本章小结 | 第80-82页 |
| 第七章 总结与展望 | 第82-84页 |
| 7.1 总结 | 第82-83页 |
| 7.2 展望 | 第83-84页 |
| 参考文献 | 第84-89页 |
| 攻读硕士期间的成果与参加的项目 | 第89-90页 |
| 致谢 | 第90页 |
