| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 绪论 | 第7-10页 |
| 1.1 研究背景及意义 | 第7-8页 |
| 1.2 研究现状 | 第8-9页 |
| 1.3 论文结构安排 | 第9-10页 |
| 第二章 预备知识 | 第10-17页 |
| 2.1 数据预处理 | 第10-12页 |
| 2.1.1 经验模态分解 | 第10页 |
| 2.1.2 变分模态分解 | 第10-12页 |
| 2.2 BP神经网络 | 第12-14页 |
| 2.3 优化算法 | 第14-17页 |
| 2.3.1 蚁群算法 | 第14-15页 |
| 2.3.2 自适应粒子群算法 | 第15页 |
| 2.3.3 混合优化算法 | 第15-17页 |
| 第三章 案例分析 | 第17-37页 |
| 3.1 数据收集及相关性分析 | 第18-19页 |
| 3.1.1 研究地点及数据集来源 | 第18页 |
| 3.1.2 相关性分析 | 第18-19页 |
| 3.2 数据预处理 | 第19-20页 |
| 3.2.1 数据的标准化 | 第19-20页 |
| 3.2.2 预测性能的评估标准 | 第20页 |
| 3.3 实验设计 | 第20-21页 |
| 3.4 步骤一: 模型选择及参数确定 | 第21-29页 |
| 3.4.1 回归模型的选择 | 第21-22页 |
| 3.4.2 确定输入层和隐藏层神经元个数 | 第22-29页 |
| 3.5 步骤二: 用VMD进行数据分解 | 第29-32页 |
| 3.6 步骤三: 混合模型VMD-APSOACO-BP的预测性能 | 第32-36页 |
| 3.7 本章小结 | 第36-37页 |
| 结论与展望 | 第37-38页 |
| 参考文献 | 第38-41页 |
| 致谢 | 第41页 |