| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 第1章 绪论 | 第8-14页 |
| ·课题来源及意义 | 第8页 |
| ·国内外研究现状与分析 | 第8-10页 |
| ·国外研究现状 | 第9-10页 |
| ·国内研究现状 | 第10页 |
| ·实验装置及数据采集过程 | 第10-12页 |
| ·实验装置介绍 | 第10-11页 |
| ·实验流程 | 第11-12页 |
| ·论文主要研究内容 | 第12-14页 |
| 第2章 基于小波理论的特征量提取 | 第14-35页 |
| ·小波理论简介 | 第14-17页 |
| ·多分辨分析 | 第14-16页 |
| ·小波包分析 | 第16-17页 |
| ·小波包特征熵 | 第17-20页 |
| ·小波变换模数的分形特征 | 第20-29页 |
| ·小波变换模数的关联维数 | 第20-27页 |
| ·小波变换模数的Kolmogorov 熵 | 第27-29页 |
| ·连续小波变换值矩阵的奇异值 | 第29-32页 |
| ·Lipschitz 指数 | 第32-35页 |
| 第3章 基于统计量理论的特征量提取 | 第35-50页 |
| ·小波系数的统计信息 | 第35-38页 |
| ·高阶统计量特征 | 第38-50页 |
| ·高阶统计量的理论基础 | 第38-42页 |
| ·高阶谱特征——双谱最大值 | 第42-45页 |
| ·高阶谱特征——双谱切片最大值 | 第45-48页 |
| ·高阶累积量特征 | 第48-50页 |
| 第4章 BP 神经网络和v ? SVM 支持向量机 | 第50-66页 |
| ·BP 神经网络 | 第50-56页 |
| ·BP 神经网络的基本原理 | 第50-52页 |
| ·BP 神经网络的构造方法 | 第52-54页 |
| ·BP 神经网络的训练结果 | 第54-56页 |
| ·v - SVM 支持向量机 | 第56-62页 |
| ·v - SVM 支持向量分类器 | 第56-57页 |
| ·v - SVM 支持向量回归机 | 第57-58页 |
| ·支持向量中的核函数 | 第58-59页 |
| ·核函数的选择以及参数的确定 | 第59-62页 |
| ·流型识别和流量预测结果 | 第62-66页 |
| ·流型识别 | 第62-63页 |
| ·流量计算 | 第63-66页 |
| 总结与展望 | 第66-68页 |
| 参考文献 | 第68-71页 |
| 攻读硕士学位期间取得的学术成果 | 第71-72页 |
| 致谢 | 第72页 |