| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 课题研究的背景及意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-15页 |
| 1.2.1 时间序列预测的研究现状 | 第10-11页 |
| 1.2.2 深度学习在时间序列预测领域的研究现状 | 第11-15页 |
| 1.3 本文主要研究内容及论文结构 | 第15-17页 |
| 第2章 相关理论和工作 | 第17-27页 |
| 2.1 信号分析处理方法概述 | 第17-18页 |
| 2.1.1 信号处理概念 | 第17页 |
| 2.1.2 信号处理研究方向 | 第17-18页 |
| 2.2 深度学习模型概述 | 第18-19页 |
| 2.2.1 深度学习模型概念 | 第18页 |
| 2.2.2 深度学习模型研究方向 | 第18-19页 |
| 2.3 深度学习框架概述 | 第19-21页 |
| 2.3.1 主流深度学习框架性能分析 | 第19-20页 |
| 2.3.2 TensorFlow框架及其优点 | 第20-21页 |
| 2.3.3 TensnorFlow的应用 | 第21页 |
| 2.4 集成方法概述 | 第21-23页 |
| 2.4.1 集成学习方法的思想 | 第21-22页 |
| 2.4.2 集成学习的主要方法 | 第22-23页 |
| 2.4.3 集成学习的应用 | 第23页 |
| 2.5 非线性激活函数 | 第23-25页 |
| 2.6 实验结果误差分析 | 第25-26页 |
| 2.7 本章小结 | 第26-27页 |
| 第3章 基于经验模态分解的研究 | 第27-36页 |
| 3.1 经验模态分解的基本理论 | 第27-30页 |
| 3.1.1 经验模态分解的相关概念 | 第27-28页 |
| 3.1.2 经验模态分解的原理 | 第28-29页 |
| 3.1.3 经验模态分解的算法流程 | 第29-30页 |
| 3.2 改进的模态分量消除法优化EMD | 第30-35页 |
| 3.2.1 模态分量消除法的原理 | 第31页 |
| 3.2.2 模态分量消除法的实现步骤 | 第31-33页 |
| 3.2.3 优化结果分析 | 第33-35页 |
| 3.3 本章小结 | 第35-36页 |
| 第4章 基于深度信念神经网络的研究 | 第36-46页 |
| 4.1 深度信念神经网络的基本理论 | 第36-41页 |
| 4.1.1 深度信念神经网络的相关概念 | 第36-39页 |
| 4.1.2 DBN网络结构 | 第39-40页 |
| 4.1.3 DBN运行机制 | 第40-41页 |
| 4.2 自适应深度信念神经网络 | 第41-45页 |
| 4.2.1 自适应学习率的基本原理和依据 | 第41-42页 |
| 4.2.2 自适应深度信念网络实现 | 第42-43页 |
| 4.2.3 实验结果分析 | 第43-45页 |
| 4.3 本章小结 | 第45-46页 |
| 第5章 基于EMD的集成DBN预测架构在燃气预测中的应用 | 第46-57页 |
| 5.1 实验准备 | 第46-48页 |
| 5.1.1 实验步骤 | 第46-47页 |
| 5.1.2 实验数据 | 第47-48页 |
| 5.2 数据预处理 | 第48-51页 |
| 5.2.1 燃气负荷数据平滑处理 | 第49-50页 |
| 5.2.2 影响因子数值化处理 | 第50-51页 |
| 5.2.3 输入数据归一化处理 | 第51页 |
| 5.3 EMD分解燃气负荷数据 | 第51-52页 |
| 5.4 集成深度信念神经网络模型的建立与仿真 | 第52-53页 |
| 5.5 实验结果分析与对比 | 第53-56页 |
| 5.6 本章小结 | 第56-57页 |
| 第6章 总结与展望 | 第57-59页 |
| 6.1 总结 | 第57页 |
| 6.2 展望 | 第57-59页 |
| 致谢 | 第59-60页 |
| 参考文献 | 第60-63页 |
| 攻读学位期间取得的研究成果 | 第63页 |