基于数据挖掘技术的大气环境预测研究
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第12-18页 |
| 1.1 研究背景和意义 | 第12-13页 |
| 1.2 大气环境预测概述 | 第13-16页 |
| 1.2.1 大气环境预测方法 | 第13页 |
| 1.2.2 统计预测国内外研究现状 | 第13-16页 |
| 1.3 研究内容 | 第16-17页 |
| 1.4 论文结构 | 第17-18页 |
| 2 相关理论研究 | 第18-28页 |
| 2.1 数据挖掘概述 | 第18-21页 |
| 2.1.1 数据挖掘的定义 | 第18页 |
| 2.1.2 数据挖掘的工具 | 第18-19页 |
| 2.1.3 数据挖掘的过程 | 第19-20页 |
| 2.1.4 数据挖掘的应用 | 第20-21页 |
| 2.2 多元线性回归 | 第21-23页 |
| 2.2.1 多元线性回归基本思想 | 第21页 |
| 2.2.2 多元线性回归误差分析 | 第21-23页 |
| 2.3 BP神经网络 | 第23-25页 |
| 2.3.1 BP神经网络基本思想 | 第23-25页 |
| 2.3.2 BP神经网络特点 | 第25页 |
| 2.4 遗传算法 | 第25-27页 |
| 2.4.1 遗传算法基本思想 | 第25-26页 |
| 2.4.2 遗传算法流程 | 第26-27页 |
| 2.4.3 遗传算法特点 | 第27页 |
| 2.5 本章小结 | 第27-28页 |
| 3 数据采集与预处理 | 第28-36页 |
| 3.1 数据理解 | 第28-29页 |
| 3.2 数据采集 | 第29-33页 |
| 3.3 数据预处理 | 第33-35页 |
| 3.3.1 数据预处理概述 | 第33页 |
| 3.3.2 数据清洗 | 第33-34页 |
| 3.3.3 数据变换 | 第34-35页 |
| 3.4 本章小结 | 第35-36页 |
| 4 大气环境预测模型研究 | 第36-52页 |
| 4.1 多元线性回归预测模型研究 | 第36-43页 |
| 4.1.1 传统多元线性回归模型 | 第36-39页 |
| 4.1.2 多元线性回归模型的优化 | 第39-42页 |
| 4.1.3 实验结论 | 第42-43页 |
| 4.2 传统BP神经网络预测模型 | 第43-47页 |
| 4.2.1 建立传统BP神经网络模型 | 第43-45页 |
| 4.2.2 实现传统BP神经网络模型 | 第45-46页 |
| 4.2.3 实验结论 | 第46-47页 |
| 4.3 改进的BP神经网络预测模型研究 | 第47-51页 |
| 4.3.1 建立基于遗传算法的BP神经网络 | 第47-49页 |
| 4.3.2 实现基于遗传算法神经网络模型 | 第49-50页 |
| 4.3.3 实验结论 | 第50-51页 |
| 4.4 本章小结 | 第51-52页 |
| 5 大气环境预测系统 | 第52-66页 |
| 5.1 系统目标 | 第52页 |
| 5.2 系统需求分析 | 第52-53页 |
| 5.3 系统总体设计 | 第53-58页 |
| 5.3.1 功能设计 | 第53-54页 |
| 5.3.2 技术框架 | 第54页 |
| 5.3.3 数据库设计 | 第54-58页 |
| 5.4 系统功能实现 | 第58-64页 |
| 5.4.1 数据管理 | 第58-59页 |
| 5.4.2 大气环境预测 | 第59-62页 |
| 5.4.3 地图管理 | 第62-64页 |
| 5.4.4 系统实时性测试 | 第64页 |
| 5.5 本章小结 | 第64-66页 |
| 6 总结与展望 | 第66-67页 |
| 6.1 研究总结 | 第66页 |
| 6.2 研究展望 | 第66-67页 |
| 参考文献 | 第67-69页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第69-71页 |
| 学位论文数据集 | 第71页 |
