| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究工作的背景与意义 | 第10-12页 |
| 1.1.1 研究工作的背景 | 第10-11页 |
| 1.1.2 研究工作的意义 | 第11-12页 |
| 1.2 国内外研究历史与现状 | 第12-15页 |
| 1.2.1 国外研究历史与现状 | 第13-14页 |
| 1.2.2 国内研究历史与现状 | 第14-15页 |
| 1.3 本文的主要贡献与创新 | 第15-16页 |
| 1.4 本论文的结构安排 | 第16-18页 |
| 第二章 预测基础理论简介 | 第18-33页 |
| 2.1 机器学习理论 | 第18-19页 |
| 2.2 自回归移动平均ARMA模型 | 第19-20页 |
| 2.3 支持向量机SVM模型 | 第20-24页 |
| 2.4 人工神经网络ANN模型 | 第24-29页 |
| 2.5 航天器在轨遥测信号特征与预测精度评价标准 | 第29-32页 |
| 2.6 本章小结 | 第32-33页 |
| 第三章 支持向量回归机智能算法组合预测模型研究 | 第33-50页 |
| 3.1 支持向量回归机SVR与优化点 | 第33-38页 |
| 3.2 遗传算法组合预测模型 | 第38-43页 |
| 3.3 粒子群优化算法组合预测模型 | 第43-48页 |
| 3.4 智能算法组合预测模型性能比较 | 第48-49页 |
| 3.5 本章小结 | 第49-50页 |
| 第四章 循环神经网络预测模型与改进研究 | 第50-70页 |
| 4.1 深度学习与深度神经网络 | 第50-52页 |
| 4.2 循环神经网络 | 第52-59页 |
| 4.3 长短期记忆网络 | 第59-65页 |
| 4.4 深度学习优化技术 | 第65-69页 |
| 4.4.1 过拟合优化技术 | 第65-67页 |
| 4.4.2 小批组合优化技术 | 第67-68页 |
| 4.4.3 自适应学习率优化技术 | 第68-69页 |
| 4.5 本章小结 | 第69-70页 |
| 第五章 航天器在轨状态异变趋势预测实例研究 | 第70-93页 |
| 5.1 支持向量回归预测算法及智能算法优化实例分析 | 第70-84页 |
| 5.2 循环神经网络预测算法及优化结构实例分析 | 第84-90页 |
| 5.3 航天器在轨状态异变趋势预测分析工具软件运行效果 | 第90-91页 |
| 5.4 本章小结 | 第91-93页 |
| 第六章 全文总结与展望 | 第93-95页 |
| 6.1 全文总结 | 第93-94页 |
| 6.2 后续工作展望 | 第94-95页 |
| 致谢 | 第95-96页 |
| 参考文献 | 第96-101页 |