| 目录 | 第1-5页 |
| 图表目录 | 第5-6页 |
| 摘要 | 第6-8页 |
| Abstract | 第8-10页 |
| 第一章 绪论 | 第10-22页 |
| ·选题背景及意义 | 第10-12页 |
| ·研究现状及存在的问题 | 第12-20页 |
| ·时间序列分析的研究现状及存在的问题 | 第12-13页 |
| ·支持向量机研究现状及存在的问题 | 第13-20页 |
| ·本文的主要工作及结构安排 | 第20-22页 |
| 第二章 相关知识 | 第22-38页 |
| ·时间序列分析理论与方法 | 第22-26页 |
| ·时间序列分析 | 第22-26页 |
| ·时间序列预测方法 | 第26页 |
| ·支持向量机基本理论 | 第26-37页 |
| ·支持向量机的理论基础 | 第27-31页 |
| ·标准支持向量机模型 | 第31-37页 |
| ·本章小结 | 第37-38页 |
| 第三章 基于混沌时间序列的粒子群优化支持向量机预测算法(CP-SVM)及其应用 | 第38-78页 |
| ·概述 | 第38-47页 |
| ·支持向量机参数优化 | 第39-41页 |
| ·混沌时间序列预测方法 | 第41-47页 |
| ·粒子群优化支持向量机 | 第47-51页 |
| ·粒子群算法 | 第48-51页 |
| ·粒子群优化SVM | 第51页 |
| ·混沌时间序列分析 | 第51-60页 |
| ·相空间重构 | 第52-59页 |
| ·混沌时间序列的确定性检验 | 第59-60页 |
| ·数据预处理和去除噪声 | 第60-66页 |
| ·数据预处理 | 第61页 |
| ·小波去噪 | 第61-66页 |
| ·CP-SVM预测算法 | 第66-70页 |
| ·CP-SVM预测算法在电力负荷短期预测中的应用 | 第70-77页 |
| ·电力负荷短期预测的意义和常用方法 | 第71-72页 |
| ·CP-SVM预测算法在自动抄表系统中的应用 | 第72-75页 |
| ·实验结果及比较 | 第75-77页 |
| ·本章小结 | 第77-78页 |
| 第四章 基于核主成分分析特征提取的支持向量机预测算法(KQP-SVM)及其应用 | 第78-98页 |
| ·特征提取 | 第78-83页 |
| ·概述 | 第78-81页 |
| ·特征提取的一般方法 | 第81-83页 |
| ·核主成分分析特征提取 | 第83-91页 |
| ·主成分分析 | 第83-87页 |
| ·核主成分分析 | 第87-91页 |
| ·KQP-SVM预测算法 | 第91-94页 |
| ·性能比较 | 第94-96页 |
| ·本章小结 | 第96-98页 |
| 第五章 序列最小优化小波核最小二乘支持向量机预测算法(SWLS-SVM) | 第98-116页 |
| ·小波核 | 第98-106页 |
| ·核函数选择问题 | 第98-105页 |
| ·小波核 | 第105-106页 |
| ·小波核最小二乘支持向量机预测算法 | 第106-111页 |
| ·最小二乘支持向量机 | 第106-110页 |
| ·小波核最小二乘支持向量机 | 第110-111页 |
| ·SWLS-SVM预测算法 | 第111-114页 |
| ·小波核最小二乘支持向量机参数选择 | 第114-115页 |
| ·本章小结 | 第115-116页 |
| 第六章 SWLS-SVM在火电锅炉主汽温预测控制中的应用 | 第116-136页 |
| ·预测控制概述 | 第116-123页 |
| ·模型预测控制基本原理 | 第116-121页 |
| ·预测模型建模方法 | 第121-123页 |
| ·火电锅炉主汽温预测控制系统 | 第123-126页 |
| ·工况介绍 | 第124-125页 |
| ·现有控制方案分析 | 第125-126页 |
| ·基于SWLS-SVM预测算法的主汽温预测控制系统 | 第126-135页 |
| ·本章小结 | 第135-136页 |
| 第七章 总结与展望 | 第136-138页 |
| ·本文工作的总结 | 第136-137页 |
| ·下一步工作的展望 | 第137-138页 |
| 参考文献 | 第138-150页 |
| 附录 | 第150-152页 |
