基于洱海的水质预测算法研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 主要英文缩写与中文对照表 | 第8-13页 |
| 第一章 绪论 | 第13-19页 |
| 1.1 研究背景及意义 | 第13-14页 |
| 1.1.1 研究背景 | 第13页 |
| 1.1.2 研究意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-17页 |
| 1.3 论文研究内容 | 第17-18页 |
| 1.4 本文结构安排 | 第18-19页 |
| 第二章 影响因子的选择 | 第19-31页 |
| 2.1 熵权法确定主要影响因子 | 第19-24页 |
| 2.1.1 熵权法原理 | 第19-20页 |
| 2.1.2 算法实现过程 | 第20-21页 |
| 2.1.3 结果分析 | 第21-24页 |
| 2.2 相似度分析主要影响因子 | 第24-27页 |
| 2.2.1 相似性距离原理 | 第24-25页 |
| 2.2.2 相关程度的衡量 | 第25页 |
| 2.2.3 实现结果及分析 | 第25-27页 |
| 2.3 影响因子敏感性分析 | 第27-29页 |
| 2.4 本章小结 | 第29-31页 |
| 第三章 基于Markov的改进型水质预测算法 | 第31-41页 |
| 3.1 Markov算法理论 | 第31-32页 |
| 3.2 数据预处理 | 第32-34页 |
| 3.3 算法实现流程 | 第34-37页 |
| 3.4 仿真结果及分析 | 第37-39页 |
| 3.5 本章小结 | 第39-41页 |
| 第四章 神经网络非线性预测模型 | 第41-59页 |
| 4.1 BP神经网络模型及相关实现 | 第41-48页 |
| 4.1.1 BP神经网络模型及参数 | 第41-42页 |
| 4.1.2 网络训练原理 | 第42-46页 |
| 4.1.3 实验结果及分析 | 第46-48页 |
| 4.2 径向基神经网络模型及实现 | 第48-53页 |
| 4.2.1 网络原理 | 第49-50页 |
| 4.2.2 模型实现过程 | 第50-52页 |
| 4.2.3 实验结果及分析 | 第52-53页 |
| 4.3 NEW综合评价水质方法 | 第53-55页 |
| 4.4 RBF+NEW模型实验结果分析 | 第55-56页 |
| 4.5 非线性预测模型性能比较 | 第56-57页 |
| 4.6 本章小结 | 第57-59页 |
| 第五章 时间序列预测模型 | 第59-71页 |
| 5.1 ARIMA自回归移动平均时间序列模型 | 第59-61页 |
| 5.1.1 模型原理 | 第59-60页 |
| 5.1.2 仿真结果及分析 | 第60-61页 |
| 5.2 指数平滑时间序列模型 | 第61-68页 |
| 5.2.1 指数平滑时间序列模型 | 第61-64页 |
| 5.2.2 实验结果及分析 | 第64-68页 |
| 5.3 全文模型性能比较 | 第68页 |
| 5.4 本章小结 | 第68-71页 |
| 第六章 结论 | 第71-73页 |
| 6.1 内容总结 | 第71-72页 |
| 6.2 工作展望 | 第72-73页 |
| 致谢 | 第73-75页 |
| 参考文献 | 第75-79页 |
| 附录 A(攻读硕士期间所获得的成果) | 第79-81页 |
| 附录 B(伪代码) | 第81-93页 |
