摘要 | 第1-6页 |
ABSTRACT | 第6-11页 |
第一章 绪论 | 第11-23页 |
·选题的背景与意义 | 第11-15页 |
·选题背景 | 第11页 |
·选题意义 | 第11-15页 |
·国内外研究现状 | 第15-21页 |
·国外研究现状 | 第15-19页 |
·国内研究现状 | 第19-21页 |
·总结 | 第21页 |
·本文开展的研究工作 | 第21-23页 |
第二章 铁路风速小波-滚动时间序列大步长预测算法 | 第23-52页 |
·引言 | 第23-24页 |
·铁路风速超前多步预测精度与实时性指标 | 第24-25页 |
·基于时间序列分析法的铁路风速超前多步预测模型 | 第25-30页 |
·时间序列分析法概述 | 第25页 |
·时间序列分析法建模步骤 | 第25-30页 |
·基于滚动时间序列分析法的铁路风速超前多步预测模型 | 第30-32页 |
·滚动时间序列分析法优化思路 | 第30页 |
·滚动时间序列分析法建模步骤 | 第30-32页 |
·基于小波分析-滚动时间序列分析法的铁路风速超前多步预测优化模型 | 第32-38页 |
·多尺度小波分析理论 | 第32-34页 |
·小波分析-滚动时间序列分析法优化思路 | 第34-35页 |
·小波分析-滚动时间序列分析法建模步骤 | 第35-38页 |
·优化算法预测结果分析 | 第38-48页 |
·小步长预测结果分析 | 第38-45页 |
·大步长预测结果分析 | 第45-48页 |
·优化算法推广应用 | 第48-51页 |
·结论 | 第51-52页 |
第三章 铁路风速小波-遗传神经网络小步长预测算法 | 第52-78页 |
·引言 | 第52-53页 |
·基于神经网络法的铁路风速超前多步预测模型 | 第53-60页 |
·神经元结构及经典网络类型 | 第53-54页 |
·BP神经网络模型误差反向传播算法 | 第54-56页 |
·BP神经网络主要设计参数 | 第56-59页 |
·BP神经网络预测计算 | 第59-60页 |
·基于小波分析-遗传算法-神经网络法的铁路风速超前多步预测优化模型 | 第60-67页 |
·遗传算法 | 第60-62页 |
·小波分析-遗传算法-神经网络法优化思路 | 第62页 |
·遗传算法优化神经网络 | 第62-67页 |
·优化算法预测结果分析 | 第67-75页 |
·超前一步预测结果 | 第69-70页 |
·超前两步预测结果 | 第70-71页 |
·超前三步预测结果 | 第71页 |
·超前四步预测结果 | 第71-72页 |
·超前五步预测结果 | 第72-75页 |
·优化算法推广应用 | 第75-77页 |
·结论 | 第77-78页 |
第四章 铁路风速小波-卡尔曼单步超高精度预测算法 | 第78-95页 |
·引言 | 第78-79页 |
·自适应卡尔曼滤波理论 | 第79-84页 |
·卡尔曼描述方程 | 第79-80页 |
·卡尔曼最优估计 | 第80-82页 |
·卡尔曼最优预测 | 第82-84页 |
·铁路风速小波分析-卡尔曼滤波法超前单步高精度预测模型 | 第84-89页 |
·小波分析-卡尔曼滤波法建模思路 | 第84-85页 |
·小波分析-卡尔曼滤波法建模步骤 | 第85-89页 |
·优化算法预测结果分析 | 第89-93页 |
·小波分解层风速预测结果分析 | 第89-91页 |
·原始风速预测结果分析 | 第91-93页 |
·预测算法推广应用 | 第93-94页 |
·结论 | 第94-95页 |
第五章 青藏铁路工程优化算法应用研究 | 第95-108页 |
·引言 | 第95页 |
·预测重点区域 | 第95-96页 |
·监测预警系统预测指标 | 第96-97页 |
·预测结果分析 | 第97-107页 |
·昆仑山测风站 | 第97-99页 |
·五道梁测风站 | 第99-101页 |
·风火山测风站 | 第101-102页 |
·沱沱河测风站 | 第102-104页 |
·唐古拉山测风站 | 第104-106页 |
·安多测风站 | 第106-107页 |
·结论 | 第107-108页 |
第六章 总结 | 第108-112页 |
·论文总结 | 第108-110页 |
·后续工作 | 第110-112页 |
·算法方面 | 第110-111页 |
·软件开发方面 | 第111-112页 |
参考文献 | 第112-129页 |
致谢 | 第129-131页 |
攻读学位期间主要的研究成果目录 | 第131-133页 |