基于时间序列预测技术的隧道数据研究
| 摘要 | 第1-4页 |
| ABSTRACT | 第4-7页 |
| 第一章 绪论 | 第7-13页 |
| ·研究背景 | 第7-8页 |
| ·国内外研究现状 | 第8-10页 |
| ·国外研究现状 | 第8-9页 |
| ·国内研究现状 | 第9-10页 |
| ·论文主要内容及章节安排 | 第10-13页 |
| ·研究内容 | 第10页 |
| ·章节安排 | 第10-13页 |
| 第二章 时序预测及递归神经网络相关算法 | 第13-21页 |
| ·时间序列预测 | 第13-15页 |
| ·时间序列预测概述 | 第13-14页 |
| ·时间序列预测方法及分析 | 第14-15页 |
| ·递归神经网络算法 | 第15-19页 |
| ·Elman递归神经网络 | 第15-17页 |
| ·随时间演化的反向传播算法 | 第17-19页 |
| ·本章小结 | 第19-21页 |
| 第三章 基于回声状态网的时序预测 | 第21-45页 |
| ·回声状态网络 | 第21-25页 |
| ·回声状态网络结构 | 第21-22页 |
| ·回声状态网络的学习 | 第22-23页 |
| ·动态储蓄池(DR)的参数约束 | 第23-24页 |
| ·无尺度高聚簇回声状态网络 | 第24-25页 |
| ·递归最小二乘滤波器 | 第25-26页 |
| ·基于Boosting的回声状态网络时序预测 | 第26-28页 |
| ·应用于时序预测的Boosting算法 | 第26-27页 |
| ·基于Boosting的回声状态网络时序预测 | 第27-28页 |
| ·仿真实验与分析 | 第28-44页 |
| ·时间序列预测系统 | 第28-30页 |
| ·公共数据集实验 | 第30-38页 |
| ·隧道数据集实验 | 第38-43页 |
| ·算法分析 | 第43-44页 |
| ·本章小结 | 第44-45页 |
| 第四章 基于隐马尔可夫模型回归的多变量预测 | 第45-57页 |
| ·隐马尔可夫模型回归 | 第45-48页 |
| ·基于半监督学习的HMMR模型 | 第48-50页 |
| ·仿真实验和分析 | 第50-55页 |
| ·烟雾浓度实验 | 第50-54页 |
| ·一氧化碳浓度预测 | 第54-55页 |
| ·本章小结 | 第55-57页 |
| 第五章 基于改进核均值匹配的数据校正 | 第57-65页 |
| ·核均值匹配算法 | 第57-59页 |
| ·基于重复采样的KMM算法 | 第59-60页 |
| ·仿真实验与分析 | 第60-63页 |
| ·基本的回归实验 | 第60-62页 |
| ·隧道数据实验 | 第62-63页 |
| ·本章小结 | 第63-65页 |
| 第六章 总结与展望 | 第65-67页 |
| 致谢 | 第67-69页 |
| 参考文献 | 第69-73页 |
