| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第10-21页 |
| 1.1 论文工作的目的和意义 | 第10-12页 |
| 1.2 船舶运动极短期预报综述 | 第12-19页 |
| 1.2.1 国外研究概况 | 第12-18页 |
| 1.2.2 国内研究概况 | 第18-19页 |
| 1.3 本文的主要工作 | 第19-21页 |
| 第二章 经验模态分解方法及相关问题研究 | 第21-46页 |
| 2.1 经验模态分解概念 | 第21-26页 |
| 2.1.1 瞬时频率 | 第21-24页 |
| 2.1.2 本征模函数IMF | 第24-26页 |
| 2.2 经验模态分解步骤 | 第26-31页 |
| 2.3 经验模态分解中的问题 | 第31-45页 |
| 2.3.1 采样频率问题 | 第31-32页 |
| 2.3.2 终止准则问题 | 第32-34页 |
| 2.3.3 曲线拟合问题 | 第34-35页 |
| 2.3.4 对于数据的局部极大值和极小值的处理 | 第35-38页 |
| 2.3.5 包络线端点的处理 | 第38-45页 |
| 2.4 小结 | 第45-46页 |
| 第三章 基于自回归理论的直接预报 | 第46-65页 |
| 3.1 自回归理论概述 | 第46-49页 |
| 3.2 模型的参数估计 | 第49-56页 |
| 3.2.1 基于最小二乘准则的自适应递推算法(RLS) | 第49-54页 |
| 3.2.2 基于 RLS方法的自回归预报验证 | 第54-56页 |
| 3.3 模型阶数的确定 | 第56-60页 |
| 3.3.1 艾克(AIC)准则 | 第56-57页 |
| 3.3.2 BIC准则 | 第57-60页 |
| 3.4 样本长度的选择 | 第60-63页 |
| 3.5 小结 | 第63-65页 |
| 第四章 经验模态分解与自回归相结合预报方法研究 | 第65-80页 |
| 4.1 经验模态分解与自回归数据处理 | 第65-67页 |
| 4.2 用不同样本长度进行预报 | 第67-70页 |
| 4.3 数据系列1 | 第70-75页 |
| 4.4 数据系列2 | 第75-79页 |
| 4.5 小结 | 第79-80页 |
| 第五章 自激励门限自回归理论(SETAR) | 第80-91页 |
| 5.1 TAR模型的定义 | 第80-83页 |
| 5.1.1 TAR定义 | 第80-81页 |
| 5.1.2 TAR模型的特点 | 第81-82页 |
| 5.1.3 TAR建模准备 | 第82-83页 |
| 5.2 建立门限自回归模型的步骤 | 第83-84页 |
| 5.3 局部搜索法 | 第84-88页 |
| 5.3.1 门限值的物理意义和搜索区间 | 第85页 |
| 5.3.2 延迟步数d的物理意义和搜索区间 | 第85-88页 |
| 5.4 原始数据 SETAR预报 | 第88-89页 |
| 5.5 小结 | 第89-91页 |
| 结论 | 第91-93页 |
| 参考文献 | 第93-98页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第98-99页 |
| 致谢 | 第99页 |