基于时间序列的航天器遥测数据预测算法研究
| 摘要 | 第2-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第8-14页 |
| 1.1 引言 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-10页 |
| 1.2.1 时间序列研究状况 | 第9-10页 |
| 1.2.2 神经网络及遗传算法研究状况 | 第10页 |
| 1.3 时间序列概述 | 第10-11页 |
| 1.4 人工神经网络和遗传算法概述 | 第11-12页 |
| 1.5 论文主要研究内容及组织 | 第12-13页 |
| 1.6 本章小结 | 第13-14页 |
| 2 相关理论和技术基础 | 第14-28页 |
| 2.1 引言 | 第14-15页 |
| 2.2 线性时间序列模型 | 第15-17页 |
| 2.2.1 AR模型 | 第16-17页 |
| 2.2.2 MA模型 | 第17页 |
| 2.2.3 ARMA模型 | 第17页 |
| 2.3 人工神经网络 | 第17-23页 |
| 2.3.1 人工神经网络基本概念 | 第17-19页 |
| 2.3.2 人工神经网络模型 | 第19-20页 |
| 2.3.3 人工神经网络分类 | 第20-21页 |
| 2.3.4 人工神经网络运行过程 | 第21-22页 |
| 2.3.5 BP神经网络及其学习算法 | 第22-23页 |
| 2.4 遗传算法 | 第23-27页 |
| 2.4.1 遗传算法基本概念与特点 | 第23-24页 |
| 2.4.2 遗传算法的发展 | 第24-25页 |
| 2.4.3 遗传算法的基本思想与结构 | 第25-27页 |
| 2.5 本章小结 | 第27-28页 |
| 3 预测算法的建立 | 第28-41页 |
| 3.1 算法模型 | 第28-29页 |
| 3.2 线性预测模型选择 | 第29-33页 |
| 3.2.1 AR模型定阶 | 第30-31页 |
| 3.2.2 AR模型参数估计 | 第31-33页 |
| 3.3 非线性预测模型选择 | 第33-40页 |
| 3.3.1 BP结构确定 | 第33-35页 |
| 3.3.2 BP网络的学习过程 | 第35-39页 |
| 3.3.3 BP网络的缺点 | 第39-40页 |
| 3.4 本章小结 | 第40-41页 |
| 4 算法的优化 | 第41-46页 |
| 4.1 引言 | 第41-44页 |
| 4.1.1 算法存在的问题 | 第41页 |
| 4.1.2 解决的方法 | 第41-42页 |
| 4.1.3 BP网络与遗传算法结合 | 第42-44页 |
| 4.2 遗传算法优化BP网络流程 | 第44-45页 |
| 4.3 本章小结 | 第45-46页 |
| 5 实验仿真 | 第46-67页 |
| 5.1 实验研究背景 | 第46页 |
| 5.2 数据预处理 | 第46-47页 |
| 5.3 实验模型建立 | 第47-63页 |
| 5.3.1 AR模型预测 | 第48-51页 |
| 5.3.2 AR-BP模型预测 | 第51-58页 |
| 5.3.3 AR-BP-GA模型预测 | 第58-63页 |
| 5.4 算法的适用性分析 | 第63-66页 |
| 5.5 本章小结 | 第66-67页 |
| 6 总结 | 第67-70页 |
| 6.1 结论 | 第67页 |
| 6.2 存在的问题与展望 | 第67-70页 |
| 参考文献 | 第70-74页 |
| 攻读硕士学位期间发表的论文 | 第74-75页 |
| 致谢 | 第75-77页 |
