基于RBF神经网络的时间序列预测技术的研究--以铜陵市、池州市气象数据为例
| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 图形清单 | 第10-11页 |
| 表格清单 | 第11-12页 |
| 1 文献综述 | 第12-18页 |
| ·研究背景和研究意义 | 第12-14页 |
| ·研究背景 | 第12-13页 |
| ·研究意义 | 第13-14页 |
| ·国内外研究现状及存在的问题 | 第14-16页 |
| ·国外研究现状 | 第14-15页 |
| ·国内研究现状 | 第15-16页 |
| ·本文主要内容 | 第16页 |
| ·本文的结构和组织 | 第16-18页 |
| 2 时间序列的预测模型 | 第18-32页 |
| ·时间序列分析预测及其相关概念 | 第18-23页 |
| ·时间序列定义 | 第19页 |
| ·平稳性检验 | 第19-22页 |
| ·纯随机性检验 | 第22-23页 |
| ·平稳时间序列分析预测 | 第23-24页 |
| ·ARMA 模型 | 第23页 |
| ·平稳时间序列的建模步骤 | 第23-24页 |
| ·非平稳时间序列分析 | 第24-26页 |
| ·ARIMA 模型 | 第24-25页 |
| ·季节 ARIMA 模型 | 第25页 |
| ·非平稳时间序列建模步骤 | 第25-26页 |
| ·铜陵市气温时序数据的预测 | 第26-31页 |
| ·本章小结 | 第31-32页 |
| 3 径向基函数网络及其算法 | 第32-39页 |
| ·人工神经网络 | 第32-33页 |
| ·RBF 网络模型结构及特点 | 第33-35页 |
| ·RBF 网络的模型结构 | 第33-35页 |
| ·RBF 神经网络模型的特点 | 第35页 |
| ·RBF 神经网络的学习算法 | 第35-37页 |
| ·径向基网络中心的确定 | 第35-37页 |
| ·基函数宽度的确定以及连接权值 | 第37页 |
| ·本章小结 | 第37-39页 |
| 4 RBF 神经网络在池州气象时序预测中的应用 | 第39-54页 |
| ·区域概况 | 第39页 |
| ·时间序列模型的建立及预测 | 第39-49页 |
| ·数据预处理 | 第39-45页 |
| ·模型的识别、定阶及参数估计 | 第45-47页 |
| ·模型检验及预测结果分析 | 第47-49页 |
| ·RBF 神经网络模型的建立及预测 | 第49-53页 |
| ·样本数据的预处理 | 第49-50页 |
| ·确定 RBF 神经网络的结构和参数 | 第50-51页 |
| ·RBF 神经网络预测结果 | 第51-53页 |
| ·本章小结 | 第53-54页 |
| 5 总结和讨论 | 第54-56页 |
| ·主要结论 | 第54-55页 |
| ·讨论 | 第55-56页 |
| 参考文献 | 第56-60页 |
| 致谢 | 第60-61页 |
| 个人简介 | 第61-62页 |
| 攻读硕士学位期间发表的论文 | 第62页 |
