| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 1 前言 | 第9-14页 |
| 1.1 神经网络在太阳辐射中的研究进展 | 第9-13页 |
| 1.2 本文主要工作 | 第13-14页 |
| 2 神经网络模型原理 | 第14-23页 |
| 2.1 神经网络算法 | 第14-17页 |
| 2.1.1 神经网络算法流程及步骤 | 第14-16页 |
| 2.1.2 改进的神经网络算法 | 第16-17页 |
| 2.2 径向基神经网络模型原理 | 第17-19页 |
| 2.3 GRNN网络 | 第19-20页 |
| 2.3.1 GRNN模型介绍 | 第19-20页 |
| 2.3.2 光滑因子确定方法 | 第20页 |
| 2.4 Elman网络 | 第20-23页 |
| 2.4.1 Elman神经网络结构 | 第20-21页 |
| 2.4.2 Elman神经网络学习过程 | 第21页 |
| 2.4.3 Elman神经网络学习算法 | 第21-23页 |
| 3 基于广义回归神经网络的日总辐射曝辐量预估 | 第23-29页 |
| 3.1 数据及方法 | 第23-25页 |
| 3.1.1 研究区概况 | 第23页 |
| 3.1.2 数据处理 | 第23-24页 |
| 3.1.3 研究方法 | 第24-25页 |
| 3.2 结果与分析 | 第25-27页 |
| 3.3 讨论 | 第27-28页 |
| 3.3.1 LM-BP网络预估结果对比 | 第27-28页 |
| 3.3.2 大气污染程度对太阳辐射的影响 | 第28页 |
| 3.4 结论 | 第28-29页 |
| 4 基于小波分析的日总辐射曝辐量的广义回归神经网络模型 | 第29-40页 |
| 4.1 小波变换及其应用 | 第29-31页 |
| 4.1.1 小波变换基本原理 | 第29-30页 |
| 4.1.2 小波分解步骤 | 第30-31页 |
| 4.2 日总辐射曝辐量的GRNN实例预测 | 第31-39页 |
| 4.3 讨论 | 第39页 |
| 4.4 结论 | 第39-40页 |
| 5 基于Elman神经网络模型的日总辐射曝辐量预估研究 | 第40-44页 |
| 5.1 Elman神经网络模型 | 第40页 |
| 5.2 结果与讨论 | 第40-42页 |
| 5.3 结论 | 第42-44页 |
| 总结与展望 | 第44-45页 |
| 参考文献 | 第45-49页 |
| 致谢语 | 第49-50页 |
| 攻读学位期间发表的学术论文目录 | 第50-51页 |