| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第10-19页 |
| 1.1 引言 | 第10页 |
| 1.2 研究背景与意义 | 第10-11页 |
| 1.3 人工神经网络在国内外的研究现状 | 第11-14页 |
| 1.4 空气质量预报方法 | 第14-15页 |
| 1.5 本文研究的主要内容 | 第15-17页 |
| 1.6 本文组织结构 | 第17-18页 |
| 1.7 本章小结 | 第18-19页 |
| 第二章 六安市空气质量的污染特征 | 第19-28页 |
| 2.1 六安市地形、气候特征 | 第19页 |
| 2.2 六安市空气污染的监测站点 | 第19-21页 |
| 2.3 六安市空气污染的变化趋势 | 第21-24页 |
| 2.4 空气质量指数划分 | 第24-26页 |
| 2.5 本章小结 | 第26-28页 |
| 第三章 基于神经网络的空气质量预测 | 第28-51页 |
| 3.1 人工神经网络的特征 | 第28-32页 |
| 3.1.1 人工神经元参数及其特征 | 第28-31页 |
| 3.1.2 人工神经网络的基本结构 | 第31-32页 |
| 3.2 BP神经网络原理 | 第32-39页 |
| 3.2.1 BP神经网络的模型 | 第32-33页 |
| 3.2.2 BP神经网络的学习算法 | 第33-39页 |
| 3.3 基于回归统计模型的空气质量预测 | 第39-44页 |
| 3.3.1 基于气象因子的样本分类 | 第40页 |
| 3.3.2 空气质量预测 | 第40-44页 |
| 3.4 基于BP神经网络模型的空气质量预测 | 第44-47页 |
| 3.5 对比试验 | 第47-50页 |
| 3.6 本章小结 | 第50-51页 |
| 第四章 基于遗传算法的BP神经网络优化 | 第51-67页 |
| 4.1 BP神经网络的缺陷 | 第51页 |
| 4.2 遗传算法的基本原理 | 第51-57页 |
| 4.2.1 遗传算法的基本操作 | 第52-54页 |
| 4.2.2 遗传算法需解决的问题 | 第54-56页 |
| 4.2.3 遗传算法的步骤 | 第56-57页 |
| 4.3 基于遗传算法优化BP神经网络的权阈值 | 第57-61页 |
| 4.4 对比实验 | 第61-66页 |
| 4.5 本章小结 | 第66-67页 |
| 第五章 基于BP-GA神经网络的空气质量预测 | 第67-86页 |
| 5.1 基于BP-GA神经网络模型 | 第67-70页 |
| 5.2 基于BP-GA神经网络空气质量预测模型实现 | 第70-76页 |
| 5.3 对比实验 | 第76-85页 |
| 5.4 本章小结 | 第85-86页 |
| 第六章 总结与展望 | 第86-88页 |
| 6.1 总结 | 第86页 |
| 6.2 展望 | 第86-88页 |
| 参考文献 | 第88-91页 |
| 致谢 | 第91-92页 |
| 攻读硕士学位期间发表的学术论文 | 第92页 |