| 摘要 | 第1-6页 |
| ABSTRACT | 第6-9页 |
| 第一章 绪论 | 第9-15页 |
| ·研究课题的来源以及意义 | 第9-11页 |
| ·国内外研究现状 | 第11-12页 |
| ·研究课题主要工作与内容安排 | 第12-14页 |
| ·研究课题的主要内容及计划 | 第12-13页 |
| ·论文的内容安排 | 第13-14页 |
| ·本章小结 | 第14-15页 |
| 第二章 远洋船舶数据采集系统及数据预处理 | 第15-27页 |
| ·远洋船舶数据采集系统 | 第15-17页 |
| ·数据采集系统的总体需求 | 第15页 |
| ·数据采集系统各组成部分 | 第15-16页 |
| ·数据采集系统总体框架 | 第16-17页 |
| ·建模数据来源 | 第17-18页 |
| ·数据预处理 | 第18-26页 |
| ·数据修剪 | 第19-20页 |
| ·数据同步 | 第20页 |
| ·数据滤波 | 第20-22页 |
| ·数据归一化 | 第22-23页 |
| ·数据相关性分析 | 第23-24页 |
| ·经济航行数据筛选 | 第24-25页 |
| ·数据集划分以及输入输出量说明 | 第25-26页 |
| ·本章小结 | 第26-27页 |
| 第三章 神经网络、统计机器学习回归预测介绍 | 第27-41页 |
| ·回归预测 | 第27-29页 |
| ·回归分析介绍 | 第27-28页 |
| ·多元非线性回归分析介绍 | 第28-29页 |
| ·神经网络回归预测 | 第29-33页 |
| ·BP 网络介绍 | 第29-30页 |
| ·LMBP 网络介绍 | 第30页 |
| ·RBF 网络介绍 | 第30-31页 |
| ·GRNN 介绍 | 第31-33页 |
| ·统计机器学习理论 | 第33-37页 |
| ·经验风险与结构风险最小化 | 第33-34页 |
| ·SVR(支持向量回归机)介绍 | 第34-37页 |
| ·遗传算法与果蝇种群优化算法介绍 | 第37-40页 |
| ·遗传算法介绍 | 第37-38页 |
| ·FOA 优化算法介绍 | 第38-40页 |
| ·本章小结 | 第40-41页 |
| 第四章 FOA-SVR 改进算法及多种算法对比 | 第41-51页 |
| ·各种回归预测算法效果对比 | 第41-44页 |
| ·各回归预测算法实现流程及效果对比 | 第41-43页 |
| ·各回归预测算法性能分析 | 第43-44页 |
| ·FOA-SVR 改进算法及相关对比 | 第44-49页 |
| ·SVR 算法改进需求 | 第44-45页 |
| ·基于 FOA 的 SVR 算法改进 | 第45-49页 |
| ·基于 FOA-SVR 的经济航行模型仿真 | 第49-50页 |
| ·本章小结 | 第50-51页 |
| 第五章 经济航行预测算法软件设计 | 第51-63页 |
| ·经济航行预测算法软件开发环境简介 | 第51-54页 |
| ·软件开发系统介绍 | 第51-52页 |
| ·软件开发环境简介 | 第52-54页 |
| ·经济航行预测软件实现 | 第54-61页 |
| ·经济航行预测软件总体结构设计 | 第54页 |
| ·远洋航行数据预处理模块设计 | 第54-58页 |
| ·基于 FOA 改进 SVR 算法的 Python 实现 | 第58-61页 |
| ·本章小结 | 第61-63页 |
| 第六章 总结与展望 | 第63-65页 |
| 总结 | 第63页 |
| 展望 | 第63-65页 |
| 参考文献 | 第65-69页 |
| 攻读硕士学位期间取得的研究成果 | 第69-70页 |
| 致谢 | 第70-71页 |
| 附件 | 第71页 |