| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-18页 |
| 1.1 课题研究背景 | 第9-10页 |
| 1.2 研究目的及意义 | 第10页 |
| 1.3 风速预测的方法 | 第10-14页 |
| 1.3.1 数学模型分类 | 第11-12页 |
| 1.3.2 输入数据分类 | 第12-13页 |
| 1.3.3 风速短期预测方法的分类 | 第13-14页 |
| 1.4 风速预测研究动态 | 第14-16页 |
| 1.4.1 国外研究现状 | 第14-15页 |
| 1.4.2 国内研究现状 | 第15-16页 |
| 1.5 本文的主要工作及章节安排 | 第16-18页 |
| 第2章 基于BP神经网络的风速预测 | 第18-27页 |
| 2.1 人工神经网络的基本知识 | 第18-19页 |
| 2.1.1 人工神经网络的特性及优点 | 第18页 |
| 2.1.2 人工神经网络的性能指标 | 第18-19页 |
| 2.2 BP神经网络简介 | 第19页 |
| 2.3 BP神经网络的学习规则 | 第19-22页 |
| 2.4 BP神经网络参数的选择 | 第22-23页 |
| 2.4.1 训练样本的预处理 | 第22页 |
| 2.4.2 初始权值的选择 | 第22-23页 |
| 2.4.3 学习率的选择 | 第23页 |
| 2.4.4 隐含层节点的选择 | 第23页 |
| 2.5 基于BP神经网络的短期风速预测 | 第23-26页 |
| 2.6 本章小结 | 第26-27页 |
| 第3章 基于小波神经网络的风速预测 | 第27-32页 |
| 3.1 小波神经网络理论基础 | 第27-28页 |
| 3.2 小波神经网络的特点 | 第28-29页 |
| 3.3 小波网络结构参数的选择 | 第29页 |
| 3.4 基于小波神经网络的短期风速预测 | 第29-31页 |
| 3.5 本章小结 | 第31-32页 |
| 第4章 基于支持向量机的风速预测 | 第32-39页 |
| 4.1 VC理论和结构风险最小化原则 | 第32-34页 |
| 4.1.1 VC维理论和推广性的界 | 第32-33页 |
| 4.1.2 结构风险最小化原则 | 第33-34页 |
| 4.2 支持向量机理论概述 | 第34-37页 |
| 4.2.1 支持向量分类机 | 第34页 |
| 4.2.2 支持向量回归机 | 第34-36页 |
| 4.2.3 核函数的选择 | 第36-37页 |
| 4.3 基于支持向量机的短期风速预测 | 第37-38页 |
| 4.4 本章小结 | 第38-39页 |
| 第5章 基于组合模型的风速时间序列预测 | 第39-49页 |
| 5.1 经验模态分解 | 第39-40页 |
| 5.2 集成经验模态分解 | 第40-41页 |
| 5.3 样本熵 | 第41-43页 |
| 5.3.1 熵理论 | 第41页 |
| 5.3.2 几种常见的熵 | 第41-42页 |
| 5.3.3 样本熵 | 第42-43页 |
| 5.4 基于组合模型的风速时间序列预测 | 第43-48页 |
| 5.4.1 基于EEMD-SVM的风速时间序列预测 | 第43-45页 |
| 5.4.2 基于组合模型的风速预测 | 第45-47页 |
| 5.4.3 误差对比分析 | 第47-48页 |
| 5.5 本章小结 | 第48-49页 |
| 第6章 基于组合模型的风速序列多步预测 | 第49-55页 |
| 6.1 直接多步预测 | 第49页 |
| 6.2 滚动式多步预测 | 第49-50页 |
| 6.3 对风速进行多步预测的过程 | 第50页 |
| 6.4 案例分析 | 第50-54页 |
| 6.5 本章小结 | 第54-55页 |
| 第7章 结论和展望 | 第55-57页 |
| 7.1 结论 | 第55-56页 |
| 7.2 展望 | 第56-57页 |
| 参考文献 | 第57-60页 |
| 致谢 | 第60-61页 |
| 攻读硕士学位期间参加的科研工作 | 第61页 |