| 摘要 | 第1-6页 |
| Abstract | 第6-7页 |
| 目录 | 第7-9页 |
| Contents | 第9-11页 |
| 第一章 绪论 | 第11-17页 |
| ·课题的研究背景和意义 | 第11-13页 |
| ·电力推进船舶概念 | 第11-12页 |
| ·电力推进船舶电力负荷预测研究的目的和意义 | 第12-13页 |
| ·船舶电力负荷预测的国内外研究现状 | 第13-15页 |
| ·常用的电力负荷预测方法 | 第13-14页 |
| ·国内外相关领域的研究 | 第14-15页 |
| ·论文的主要工作和组织结构 | 第15-17页 |
| ·论文的主要工作 | 第15页 |
| ·论文内容的安排 | 第15-17页 |
| 第二章 电力推进船舶短期电力负荷的混沌特性分析 | 第17-33页 |
| ·引言 | 第17页 |
| ·混沌的基本理论与典型的混沌序列模型 | 第17-21页 |
| ·混沌的定义 | 第17-18页 |
| ·典型的混沌序列模型 | 第18-21页 |
| ·混沌时间序列的相空间重构 | 第21-26页 |
| ·延迟时间的选取 | 第22-24页 |
| ·嵌入维数m的确定 | 第24-26页 |
| ·混沌系统的特性检验 | 第26-29页 |
| ·Lyapunov指数 | 第26-28页 |
| ·最大Lyapunov指数的计算方法 | 第28-29页 |
| ·电力推进船舶短期电力负载的混沌特性检验 | 第29-32页 |
| ·本章小结 | 第32-33页 |
| 第三章 电力推进船舶负荷预测的相关基本理论 | 第33-43页 |
| ·统计学习理论 | 第33-36页 |
| ·VC 维 | 第33-34页 |
| ·推广性的界 | 第34页 |
| ·结构风险最小化 | 第34-35页 |
| ·结构风险最小化原则的实现 | 第35-36页 |
| ·支持向量机的理论概述 | 第36-40页 |
| ·支持向量机的基本原理 | 第36-37页 |
| ·SVM 回归算法 | 第37-39页 |
| ·核函数的介绍 | 第39-40页 |
| ·小波分析的基本理论 | 第40-42页 |
| ·连续的小波变换 | 第40-41页 |
| ·离散小波变换 | 第41-42页 |
| ·本章小结 | 第42-43页 |
| 第四章 粒子群优化算法及改进 | 第43-59页 |
| ·常用的参数优化算法 | 第43-45页 |
| ·粒子群算法的理论概述 | 第45-47页 |
| ·粒子群算法的起源 | 第45页 |
| ·粒子群算法 | 第45-47页 |
| ·迭代局部搜索算法 | 第47-48页 |
| ·新的组合优化算法 | 第48-52页 |
| ·惯性权重w调节的自适应化 | 第48-49页 |
| ·极值评价标准 | 第49-51页 |
| ·极值的摄动 | 第51页 |
| ·组合算法的流程 | 第51-52页 |
| ·基于迭代局部搜索和自适应粒子群优化算法(ILSFAPSO)的收敛性测试 | 第52-58页 |
| ·本章小结 | 第58-59页 |
| 第五章 电力推进船舶电力负荷预测仿真 | 第59-77页 |
| ·电力推进船舶电力负荷的分类与特点 | 第59-60页 |
| ·电力推进船舶电力负荷的分类 | 第59-60页 |
| ·电力推进船舶电力负荷的特点 | 第60页 |
| ·船舶电力负荷的预测分析 | 第60-64页 |
| ·电力推进船舶电力负荷的组成 | 第60-61页 |
| ·电力推进船舶负荷预测基本原理 | 第61-62页 |
| ·电力推进船舶负荷预测的基本过程 | 第62-64页 |
| ·基于迭代局部搜索和自适应粒子群优化的 SVM 短期负荷预测 | 第64-69页 |
| ·训练数据集的构建 | 第64-65页 |
| ·预测仿真流程 | 第65-67页 |
| ·预测结果分析 | 第67-69页 |
| ·基于小波分析和组合优化算法的 SVM 短期负荷预测 | 第69-76页 |
| ·电力推进船舶的小波分解 | 第69-71页 |
| ·预测仿真流程 | 第71页 |
| ·预测结果分析 | 第71-76页 |
| ·本章小结 | 第76-77页 |
| 结论 | 第77-79页 |
| 参考文献 | 第79-83页 |
| 攻读学位期间发表的学术论文 | 第83-85页 |
| 致谢 | 第85页 |
