基于BP神经网络模型和ARMA-BP组合模型的空气污染指数预测研究
| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第1章 绪论 | 第7-11页 |
| 1.1 选题背景及研究意义 | 第7-8页 |
| 1.2 国内外研究现状 | 第8-9页 |
| 1.2.1 国外研究现状 | 第8-9页 |
| 1.2.2 国内研究现状 | 第9页 |
| 1.3 主要研究内容及构成 | 第9-11页 |
| 第2章 空气污染指数 | 第11-13页 |
| 2.1 空气污染指数 | 第11页 |
| 2.2 空气污染指数分级浓度限值 | 第11页 |
| 2.3 空气污染指数的计算方法 | 第11-12页 |
| 2.4 用空气污染指数评价空气质量 | 第12-13页 |
| 第3章 时间序列 | 第13-17页 |
| 3.1 时间序列分析的预处理 | 第13-14页 |
| 3.1.1 平稳性检验 | 第13页 |
| 3.1.2 纯随机性检验 | 第13页 |
| 3.1.3 单位根检验 | 第13-14页 |
| 3.2 时间序列基本模型 | 第14-15页 |
| 3.2.1 自回归模型 | 第14页 |
| 3.2.2 移动平均模型 | 第14-15页 |
| 3.2.3 自回归移动平均模型 | 第15页 |
| 3.3 ARIMA模型建模步骤 | 第15-17页 |
| 3.3.1 数据平稳性检验 | 第15页 |
| 3.3.2 模型识别 | 第15-16页 |
| 3.3.3 参数估计 | 第16页 |
| 3.3.4 诊断检验 | 第16页 |
| 3.3.5 模型预测 | 第16-17页 |
| 第4章 神经网络 | 第17-21页 |
| 4.1 神经网络的理论基础 | 第17-18页 |
| 4.1.1 神经元模型 | 第17-18页 |
| 4.1.2 神经元的传递函数 | 第18页 |
| 4.1.3 神经网络的学习方式 | 第18页 |
| 4.2 BP神经网络 | 第18-20页 |
| 4.2.1 BP神经网络的结构和算法 | 第18-19页 |
| 4.2.2 BP网络的设计 | 第19-20页 |
| 4.3 ARMA与BP组合模型 | 第20-21页 |
| 第5章 实证分析 | 第21-37页 |
| 5.1 空气污染指数的计算及描述性统计分析 | 第21-24页 |
| 5.2 基于BP神经网络的空气污染指数预测模型 | 第24-29页 |
| 5.3 ARMA-BP神经网络组合预测模型 | 第29-37页 |
| 第6章 结论 | 第37-39页 |
| 6.1 本文研究成果 | 第37页 |
| 6.2 本文创新之处 | 第37-39页 |
| 致谢 | 第39-40页 |
| 参考文献 | 第40-42页 |
