| 摘要 | 第3-5页 |
| abstract | 第5-6页 |
| 1 绪论 | 第9-17页 |
| 1.1 课题研究背景及意义 | 第9-11页 |
| 1.1.1 研究背景 | 第9页 |
| 1.1.2 研究意义 | 第9-11页 |
| 1.2 国内外现状 | 第11-15页 |
| 1.2.1 数据清洗国内外研究现状 | 第11-14页 |
| 1.2.2 气候数据国内外研究现状 | 第14-15页 |
| 1.3 研究内容 | 第15-16页 |
| 1.4 论文结构安排 | 第16-17页 |
| 2 数据质量及异常值清洗 | 第17-31页 |
| 2.1 数据质量 | 第17-20页 |
| 2.1.1 数据存在的质量问题 | 第17页 |
| 2.1.2 数据质量问题的分类 | 第17-20页 |
| 2.1.3 数据质量的评判指标 | 第20页 |
| 2.2 异常值清洗 | 第20-29页 |
| 2.2.1 数据清洗 | 第20-21页 |
| 2.2.2 数据清洗的原理 | 第21-22页 |
| 2.2.3 数据清洗的基本过程 | 第22-23页 |
| 2.2.4 数据清洗的常用方法 | 第23-24页 |
| 2.2.5 常用的异常值清洗方法 | 第24-29页 |
| 2.3 本章小结 | 第29-31页 |
| 3 基于最小二乘法的K-means聚类对气候数据的分类算法 | 第31-41页 |
| 3.1 引言 | 第31页 |
| 3.2 数据来源与存储 | 第31-33页 |
| 3.3 K-means聚类 | 第33页 |
| 3.4 最小二乘法的K-means聚类算法 | 第33-37页 |
| 3.4.1 阈值计算 | 第34-35页 |
| 3.4.2 算法设计 | 第35-37页 |
| 3.5 实验结果与分析 | 第37-39页 |
| 3.5.1 实验环境 | 第37页 |
| 3.5.2 实验数据 | 第37页 |
| 3.5.3 实验结果分析 | 第37-39页 |
| 3.6 本章小结 | 第39-41页 |
| 4 基于聚类神经网络对建筑节能气候数据清洗方法研究 | 第41-63页 |
| 4.1 引言 | 第41页 |
| 4.2 基于聚类神经网络的清洗方法 | 第41-50页 |
| 4.2.1 清洗模型 | 第42-45页 |
| 4.2.2 网络设计 | 第45-50页 |
| 4.3 实验结果与分析 | 第50-60页 |
| 4.3.1 实验环境 | 第50页 |
| 4.3.2 实验数据的选择 | 第50-53页 |
| 4.3.3 实验设计 | 第53-55页 |
| 4.3.4 实验结果分析 | 第55-60页 |
| 4.4 基于BP神经网络对气候数据的预测分析 | 第60-61页 |
| 4.5 本章小结 | 第61-63页 |
| 5 总结与展望 | 第63-65页 |
| 5.1 总结 | 第63页 |
| 5.2 展望 | 第63-65页 |
| 致谢 | 第65-67页 |
| 参考文献 | 第67-73页 |
| 攻读硕士学位期间所发表的论文及成果 | 第73页 |