基于相关向量机的电力应急物资需求预测系统
| 中文摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第9-13页 |
| 1.1 选题背景与意义 | 第9-10页 |
| 1.2 国内外研究现状分析 | 第10页 |
| 1.3 主要内容和创新点 | 第10-12页 |
| 1.4 组织结构 | 第12-13页 |
| 第2章 相关技术简介 | 第13-18页 |
| 2.1 支持向量回归 | 第13-15页 |
| 2.2 最小二乘支持向量回归 | 第15-16页 |
| 2.3 BP神经网络简介 | 第16-17页 |
| 2.4 本章小结 | 第17-18页 |
| 第3章 台风事件中的电力应急物资特征向量 | 第18-22页 |
| 3.1 引言 | 第18页 |
| 3.2 电力应急物资需求概述 | 第18-19页 |
| 3.2.1 电力应急物资需求特点 | 第18-19页 |
| 3.2.2 电力应急物资需求的影响因素 | 第19页 |
| 3.3 风力对电力应急物资需求的影响 | 第19-20页 |
| 3.4 暴雨对电力应急物资需求的影响 | 第20-21页 |
| 3.5 地区电网建设规模对电力应急物资需求的影响 | 第21页 |
| 3.6 其他因素对电力应急物资需求的影响 | 第21页 |
| 3.7 本章小结 | 第21-22页 |
| 第4章 基于遗传算法的相关向量机预测方法 | 第22-33页 |
| 4.1 引言 | 第22页 |
| 4.2 遗传算法简介 | 第22-24页 |
| 4.3 相关向量机原理 | 第24-26页 |
| 4.4 遗传算法优化相关向量机核参数 | 第26-28页 |
| 4.5 模型评价指标 | 第28页 |
| 4.6 实验结果与分析 | 第28-32页 |
| 4.6.1 实验建立 | 第28-29页 |
| 4.6.2 结果分析 | 第29-32页 |
| 4.7 本章小结 | 第32-33页 |
| 第5章 基于多核学习的相关向量机预测方法 | 第33-39页 |
| 5.1 引言 | 第33页 |
| 5.2 核函数 | 第33-34页 |
| 5.3 合成核学习方法 | 第34-35页 |
| 5.4 本文提出的方法 | 第35-36页 |
| 5.5 实验结果与分析 | 第36-38页 |
| 5.5.1 实验建立 | 第36页 |
| 5.5.2 结果分析 | 第36-38页 |
| 5.6 本章小结 | 第38-39页 |
| 第6章 基于在线相关向量机的预测方法 | 第39-45页 |
| 6.1 引言 | 第39页 |
| 6.2 快速边际似然算法 | 第39-40页 |
| 6.3 基于快速相关向量机的在线预测模型 | 第40页 |
| 6.4 实验结果与分析 | 第40-44页 |
| 6.4.1 实验建立 | 第41页 |
| 6.4.2 与当前主流的预测模型进行比较 | 第41页 |
| 6.4.3 结果分析 | 第41-44页 |
| 6.5 本章小结 | 第44-45页 |
| 第7章 海南电力应急物资预测系统设计及实现 | 第45-63页 |
| 7.1 需求分析 | 第45-50页 |
| 7.1.1 应急物资管理 | 第46-47页 |
| 7.1.2 台风事件管理 | 第47-48页 |
| 7.1.3 物资使用管理 | 第48页 |
| 7.1.4 应急物资预测 | 第48-49页 |
| 7.1.5 地区电网规模管理 | 第49-50页 |
| 7.2 概要设计 | 第50-52页 |
| 7.2.1 系统概述 | 第50页 |
| 7.2.2 基本处理流程 | 第50-52页 |
| 7.3 详细设计 | 第52-59页 |
| 7.3.1 主要模块构成 | 第52-53页 |
| 7.3.2 主要模块描述 | 第53-56页 |
| 7.3.3 数据库设计 | 第56-59页 |
| 7.4 系统实现 | 第59-62页 |
| 7.4.1 运行环境 | 第59页 |
| 7.4.2 系统界面 | 第59-62页 |
| 7.5 本章小结 | 第62-63页 |
| 总结与展望 | 第63-65页 |
| 致谢 | 第65-66页 |
| 参考文献 | 第66-69页 |
| 个人简历 | 第69-70页 |
| 在校期间的研究成果以及发表的学术论文 | 第70页 |
