| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 一种适用于时间序列的基于变形分形插值和胜者选择的缺失数据插补模型 | 第8-41页 |
| 1.1 背景介绍 | 第8-10页 |
| 1.2 分形插值简介 | 第10-14页 |
| 1.3 布谷鸟算法 | 第14-15页 |
| 1.4 经典插值方法简介 | 第15-16页 |
| 1.5 与布谷鸟算法结合的变形分形插值模型(CS-TFIFs) | 第16-22页 |
| 1.5.1 传统分形插值方法的变形 | 第16-18页 |
| 1.5.2 CS-TFIFs的建立 | 第18-22页 |
| 1.6 胜者组合的插值方法提出(CS-TFIFs-WC) | 第22-23页 |
| 1.6.1 胜者选择 | 第22-23页 |
| 1.6.2 胜者组合插值 | 第23页 |
| 1.7 数值模拟与模型评估 | 第23-40页 |
| 1.7.1 数据选择、检测模式和研究案例 | 第24-25页 |
| 1.7.2 案例1的研究 | 第25-28页 |
| 1.7.3 案例2的研究 | 第28-36页 |
| 1.7.4 结果分析 | 第36-37页 |
| 1.7.5 各类插值方法的评估 | 第37-40页 |
| 1.8 本章的贡献 | 第40页 |
| 1.9 结论 | 第40-41页 |
| 第二章 一种全新的动态选择人工神经网络的提出与其在电力市场上的应用 | 第41-67页 |
| 2.1 背景介绍 | 第41-43页 |
| 2.1.1 电价预测系统的重要性 | 第41页 |
| 2.1.2 研究现状 | 第41-42页 |
| 2.1.3 本文核心思想 | 第42-43页 |
| 2.2 所需技术简介 | 第43-45页 |
| 2.2.1 自组织映射神经网络(SOM) | 第43页 |
| 2.2.2 优化算法选择(OA) | 第43-44页 |
| 2.2.3 Friedman检验 | 第44-45页 |
| 2.3 动态选择神经网络(DCANN)的提出 | 第45-56页 |
| 2.3.1 坏样本的确定 | 第45-46页 |
| 2.3.2 坏样本的评估 | 第46-49页 |
| 2.3.3 DCANN的结构 | 第49-51页 |
| 2.3.4 DCANN的训练与仿真 | 第51-56页 |
| 2.4 模型间的模拟与评价 | 第56-66页 |
| 2.4.1 数据信息、预测规则和研究案例 | 第56-58页 |
| 2.4.2 案例1的研究 | 第58-62页 |
| 2.4.3 案例2的研究 | 第62-63页 |
| 2.4.4 案例2-5的研究和模型的评估 | 第63-66页 |
| 2.5 本章的贡献 | 第66页 |
| 2.6 结论 | 第66-67页 |
| 参考文献 | 第67-77页 |
| 在学期间的研究成果 | 第77-79页 |
| 致谢 | 第79页 |
