ARIMA和RBF神经网络在水环境溶解氧预测中的应用研究
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-8页 |
| 1 绪论 | 第8-19页 |
| ·研究背景与研究意义 | 第8-9页 |
| ·研究背景 | 第8页 |
| ·研究意义 | 第8-9页 |
| ·国内外研究现状 | 第9-15页 |
| ·水环境质量监测研究现状 | 第9-10页 |
| ·溶解氧预测研究现状 | 第10-11页 |
| ·数据仓库研究现状 | 第11-12页 |
| ·典型性相关分析方法研究现状 | 第12-13页 |
| ·时间序列模型与神经网络模型研究现状 | 第13-15页 |
| ·文献评述 | 第15页 |
| ·研究内容与研究方法 | 第15-16页 |
| ·研究内容 | 第15-16页 |
| ·研究方法 | 第16页 |
| ·技术架构与创新点 | 第16-19页 |
| ·技术架构 | 第16-17页 |
| ·创新点 | 第17-19页 |
| 2 理论基础及相关概念 | 第19-25页 |
| ·水产养殖中的水环境及质量监测 | 第19-21页 |
| ·水环境质量监测研究现状 | 第19页 |
| ·水产养殖中的水环境质量监测指标 | 第19-20页 |
| ·智能水环境质量监测系统 | 第20-21页 |
| ·溶解氧研究 | 第21-25页 |
| ·溶解氧的基本概念 | 第21-22页 |
| ·水产养殖中溶解氧的作用研究 | 第22-24页 |
| ·水产养殖中溶解氧的监测 | 第24-25页 |
| 3 宜兴市鱼养殖水质因子监测数据仓库的构建研究 | 第25-33页 |
| ·数据仓库概述 | 第25-27页 |
| ·数据仓库的概念 | 第25页 |
| ·数据仓库与数据库的比较 | 第25-26页 |
| ·数据仓库的体系结构 | 第26-27页 |
| ·数据的预处理 | 第27-28页 |
| ·描述性数据汇总 | 第27-28页 |
| ·数据清理 | 第28页 |
| ·属性子集的选择 | 第28页 |
| ·宜兴市鱼养殖水质因子监测数据仓库的构建 | 第28-32页 |
| ·宜兴市鱼养殖水质因子监测数据仓库构建背景 | 第28-29页 |
| ·宜兴市鱼养殖水质因子监测数据仓库构建 | 第29-32页 |
| ·本章小结 | 第32-33页 |
| 4 基于组合模型的溶解氧预测研究 | 第33-53页 |
| ·溶解氧与其他水质因子的相关性分析 | 第33-38页 |
| ·溶解氧与其他水质因子相关性的理论研究 | 第33-34页 |
| ·数据来源与数据预处理 | 第34-35页 |
| ·溶解氧与pH、水温、叶绿素、浊度的相关性分析 | 第35-38页 |
| ·研究方法的选择 | 第38-43页 |
| ·ARIMA模型 | 第39-41页 |
| ·RBF神经网络模型 | 第41-42页 |
| ·溶解氧的组合预测步骤 | 第42-43页 |
| ·溶解氧组合模型预测的实证分析 | 第43-49页 |
| ·数据挖掘工具——Clementine软件 | 第43-44页 |
| ·溶解氧的线性变化规律预测 | 第44-45页 |
| ·溶解氧的非线性规律预测 | 第45-46页 |
| ·模型预测性能对比分析 | 第46-49页 |
| ·溶解氧预测结果分析 | 第49-51页 |
| ·本章小结 | 第51-53页 |
| 5 结论与展望 | 第53-55页 |
| ·研究结论与启示 | 第53-54页 |
| ·展望 | 第54-55页 |
| 参考文献 | 第55-59页 |
| 个人简介 | 第59-60页 |
| 导师简介 | 第60-61页 |
| 获得成果目录 | 第61-62页 |
| 致谢 | 第62-63页 |
| 附录1 宜兴市鱼养殖数据库设计 | 第63-64页 |
