| 摘要 | 第3-4页 |
| abstract | 第4页 |
| 第1章 绪论 | 第8-20页 |
| 1.1 课题的研究背景及意义 | 第8-10页 |
| 1.2 国内外研究发展现状 | 第10-12页 |
| 1.2.1 国外研究发展现状 | 第10-11页 |
| 1.2.2 国内研究发展现状 | 第11-12页 |
| 1.3 蒸发波导的监测方法与数值预报 | 第12-17页 |
| 1.3.1 总体通量法 | 第12-14页 |
| 1.3.2 大气修正折射指数廓线拟合法 | 第14-15页 |
| 1.3.3 蒸发波导的数值模拟与预报 | 第15-17页 |
| 1.4 论文研究内容及结构 | 第17-18页 |
| 1.5 本章小结 | 第18-20页 |
| 第2章 大气波导基本原理与蒸发波导监测系统 | 第20-34页 |
| 2.1 大气波导基本原理 | 第20-23页 |
| 2.1.1 大气波导概念 | 第20-22页 |
| 2.1.2 大气波导类型及其特征量 | 第22-23页 |
| 2.2 蒸发波导监测系统 | 第23-26页 |
| 2.3 蒸发波导NPS诊断模型 | 第26-32页 |
| 2.3.1 Monin-Obukhov相似理论 | 第26-27页 |
| 2.3.2 NPS诊断模型 | 第27-28页 |
| 2.3.3 原始数据预处理 | 第28-29页 |
| 2.3.4 实验结果与分析 | 第29-32页 |
| 2.4 本章小结 | 第32-34页 |
| 第3章 基于时间序列的蒸发波导高度短期预测 | 第34-46页 |
| 3.1 时间序列分析基本原理 | 第34-36页 |
| 3.1.1 时间序列定义及分析目的 | 第34页 |
| 3.1.2 时间序列分析方法 | 第34-35页 |
| 3.1.3 时间序列的预处理 | 第35-36页 |
| 3.2 时间序列的平稳化 | 第36-38页 |
| 3.2.1 平稳时间序列定义 | 第36页 |
| 3.2.2 时间序列的平稳化处理 | 第36-37页 |
| 3.2.3 时间序列的白噪声检验 | 第37-38页 |
| 3.3 求和自回归滑动平均模型(ARIMA) | 第38-39页 |
| 3.4 蒸发波导高度的时间序列分析与预测结果分析 | 第39-45页 |
| 3.4.1 平稳化处理 | 第39-40页 |
| 3.4.2 白噪声检验 | 第40页 |
| 3.4.3 模型的判定 | 第40-41页 |
| 3.4.4 模型定阶及参数估计 | 第41-42页 |
| 3.4.5 预测结果与分析 | 第42-45页 |
| 3.5 本章小结 | 第45-46页 |
| 第4章 基于BP人工神经网络的蒸发波导高度短期预测 | 第46-58页 |
| 4.1 BP神经网络基本原理 | 第46-49页 |
| 4.1.1 感知器模型 | 第46-47页 |
| 4.1.2 BP神经网络的模型 | 第47-49页 |
| 4.2 BP神经网络的设计 | 第49-50页 |
| 4.2.1 输入/输出数据的预处理 | 第49页 |
| 4.2.2 BP神经网络结构设计 | 第49-50页 |
| 4.3 BP神经网络的学习算法及实现 | 第50-53页 |
| 4.4 基于BP神经网络的蒸发波导高度预测结果分析 | 第53-56页 |
| 4.5 BP神经网络的不足 | 第56-57页 |
| 4.6 本章小结 | 第57-58页 |
| 第5章 基于人工蜂群算法(ABC)优化的BP神经网络 | 第58-68页 |
| 5.1 人工蜂群算法优化BP神经网络 | 第58-61页 |
| 5.1.1 蜜蜂的觅食行为 | 第58-60页 |
| 5.1.2 原型人工蜂群优化算法 | 第60-61页 |
| 5.2 人工蜂群算法优化BP神经网络的实现方法 | 第61-63页 |
| 5.3 优化后的BP神经网络预测蒸发波导高度结果分析 | 第63-67页 |
| 5.4 本章小结 | 第67-68页 |
| 第6章 总结与展望 | 第68-70页 |
| 6.1 总结 | 第68页 |
| 6.2 展望 | 第68-70页 |
| 参考文献 | 第70-74页 |
| 发表论文和参加科研情况说明 | 第74-76页 |
| 致谢 | 第76页 |
