| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 绪论 | 第8-13页 |
| 1.1 论文选题背景及研究意义 | 第8-9页 |
| 1.2 国内外相关研究现状 | 第9-10页 |
| 1.3 论文主要研究内容及结构安排 | 第10-13页 |
| 1.3.1 论文主要内容 | 第10-11页 |
| 1.3.2 论文特色及创新点 | 第11页 |
| 1.3.3 论文结构安排 | 第11-13页 |
| 第二章 模型介绍 | 第13-22页 |
| 2.1 集合经验模态分解(EEMD) | 第13-15页 |
| 2.1.1 经验模态分解(EMD) | 第13页 |
| 2.1.2 集合经验模态分解(EEMD) | 第13-15页 |
| 2.2 径向基函数神经网络(RBFN) | 第15-16页 |
| 2.3 支持向量机(SVM) | 第16-18页 |
| 2.4 K-Means算法 | 第18-19页 |
| 2.5 季节调整(SAM) | 第19-20页 |
| 2.6 指数平滑(ESM) | 第20-22页 |
| 第三章 基于一种新的混合模型对水文数据进行预测—一个对中国西北地区降水的案例研究 | 第22-31页 |
| 3.1 混合模型的提出 | 第22页 |
| 3.2 预测性能评价指标 | 第22-23页 |
| 3.3 实例研究 | 第23-27页 |
| 3.3.1 原始序列的分解 | 第25页 |
| 3.3.2 本征模函数的预测 | 第25-26页 |
| 3.3.3 误差项的修正 | 第26页 |
| 3.3.4 原始序列的预测 | 第26-27页 |
| 3.4 模型的比较 | 第27-29页 |
| 3.5 本章结论 | 第29-31页 |
| 第四章 基于‘聚类-预测-集成’集成方法的降水量预测 | 第31-40页 |
| 4.1 集成方法的提出 | 第31页 |
| 4.2 实例研究 | 第31-38页 |
| 4.2.1 数据的采集 | 第31-33页 |
| 4.2.2 数据的预处理 | 第33页 |
| 4.2.3 聚类 | 第33-34页 |
| 4.2.4 SAM-ESM-RBFN混合模型 | 第34-35页 |
| 4.2.5 EEMD-RBFN-SVM混合模型 | 第35-36页 |
| 4.2.6 集成 | 第36-37页 |
| 4.2.7 评价指标 | 第37-38页 |
| 4.3 本章结论 | 第38-40页 |
| 第五章 结论与展望 | 第40-42页 |
| 5.1 主要结论 | 第40页 |
| 5.2 研究展望 | 第40-42页 |
| 参考文献 | 第42-45页 |
| 在学期间的研究成果 | 第45-46页 |
| 致谢 | 第46页 |