| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 选题背景及研究意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.3 论文的主要工作 | 第14-15页 |
| 1.4 论文组织结构 | 第15-17页 |
| 第二章 细颗粒物(PM2.5)的时间序列演化特征研究 | 第17-31页 |
| 2.1 小波分析 | 第17-21页 |
| 2.1.1 连续小波变换 | 第18-20页 |
| 2.1.2 复Morlet小波的选取 | 第20-21页 |
| 2.2 成都城区PM2.5以日为时间尺度的时间特性研究 | 第21-26页 |
| 2.3 成都城区PM2.5以小时为时间尺度的时间特性研究 | 第26-30页 |
| 2.4 本章小结 | 第30-31页 |
| 第三章 深度置信-BP神经网络的雾霾预测模型 | 第31-56页 |
| 3.1 数据来源及处理方法 | 第31-33页 |
| 3.1.1 相关性分析 | 第31-32页 |
| 3.1.2 均值补全数据 | 第32页 |
| 3.1.3 标准化处理 | 第32-33页 |
| 3.2 深度置信-BP神经网络预测模型构建 | 第33-40页 |
| 3.2.1 玻尔兹曼机 | 第33-35页 |
| 3.2.2 受限玻尔兹曼机 | 第35-36页 |
| 3.2.3 BP神经网络 | 第36-37页 |
| 3.2.4 激活函数 | 第37-38页 |
| 3.2.5 深度置信-BP网络预测模型结构 | 第38-40页 |
| 3.3 训练过程 | 第40-49页 |
| 3.3.1 预训练过程：对比散度算法 | 第41-45页 |
| 3.3.2 微调过程：反向传播算法 | 第45-49页 |
| 3.4 神经网络隐藏层的确定 | 第49页 |
| 3.4.1 隐藏层层数的确定 | 第49页 |
| 3.4.2 隐藏层神经元数目的确定 | 第49页 |
| 3.5 实验结果与分析 | 第49-55页 |
| 3.5.1 PM2.5预测结果 | 第51-53页 |
| 3.5.2 PM10预测结果 | 第53-55页 |
| 3.6 本章小结 | 第55-56页 |
| 第四章 基于循环神经网络的雾霾预测模型 | 第56-73页 |
| 4.1 深度循环神经网络PM2.5/PM10预测模型 | 第56-63页 |
| 4.1.1 循环神经网络 | 第56-57页 |
| 4.1.2 深度循环神经网络预测模型结构 | 第57-59页 |
| 4.1.3 训练过程 | 第59-63页 |
| 4.2 深度长短时间记忆神经网络预测模型 | 第63-66页 |
| 4.2.1 梯度爆炸和梯度消失问题 | 第63页 |
| 4.2.2 长短时间记忆神经网络 | 第63-66页 |
| 4.3 结果与分析 | 第66-72页 |
| 4.3.1 PM2.5预测结果 | 第66-69页 |
| 4.3.2 PM10预测结果 | 第69-72页 |
| 4.4 本章小结 | 第72-73页 |
| 第五章 总结与展望 | 第73-75页 |
| 5.1 总结 | 第73页 |
| 5.2 展望 | 第73-75页 |
| 致谢 | 第75-76页 |
| 参考文献 | 第76-80页 |
| 个人简历及研究成果 | 第80页 |
