基于多种神经网络模型的洞庭湖流域月降水量预测对比研究
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-8页 |
| 缩略语表 | 第9-13页 |
| 1 引言 | 第13-24页 |
| 1.1 研究背景与意义 | 第13-15页 |
| 1.2 国内外研究现状 | 第15-24页 |
| 1.2.1 预报因子的预处理 | 第15-16页 |
| 1.2.2 预报因子的筛选 | 第16-17页 |
| 1.2.3 神经网络结构优化 | 第17页 |
| 1.2.4 时间序列 | 第17-19页 |
| 1.2.5 时间序列预测 | 第19页 |
| 1.2.6 传统时间序列分析方法 | 第19-22页 |
| 1.2.7 传统降水量预测模型 | 第22-24页 |
| 2 研究区概况及数据收集 | 第24-35页 |
| 2.1 研究区域 | 第24-26页 |
| 2.2 降水的形成 | 第26-31页 |
| 2.2.1 降水的时间变化 | 第26-28页 |
| 2.2.2 降水变率 | 第28页 |
| 2.2.3 降水的地理分布 | 第28-29页 |
| 2.2.4 洞庭湖流域降水量变化特征 | 第29-31页 |
| 2.2.5 洞庭湖流域月降水量数据 | 第31页 |
| 2.3 大尺度气候指数 | 第31-35页 |
| 2.3.1 印度洋偶极子 | 第32页 |
| 2.3.2 南极涛动 | 第32页 |
| 2.3.3 北大西洋涛动 | 第32-33页 |
| 2.3.4 全球平均气温距平 | 第33页 |
| 2.3.5 太平洋年代际振荡 | 第33页 |
| 2.3.6 北方涛动指数 | 第33-35页 |
| 3 研究方法 | 第35-48页 |
| 3.1 小波分析 | 第35-37页 |
| 3.2 互信息相关性分析 | 第37-40页 |
| 3.3 神经网络 | 第40-43页 |
| 3.4 粒子群优化算法 | 第43-46页 |
| 3.5 评价标准 | 第46-48页 |
| 4 小波神经网络模型 | 第48-54页 |
| 4.1 神经网络模型 | 第48-51页 |
| 4.1.1 基本步骤 | 第48页 |
| 4.1.2 预报因子的筛选 | 第48-49页 |
| 4.1.3 粒子群算法优化CF神经网络结构 | 第49-50页 |
| 4.1.4 预测结果 | 第50-51页 |
| 4.2 小波神经网络模型基本步骤 | 第51页 |
| 4.3 小波神经网络模型预报因子处理 | 第51-52页 |
| 4.4 小波神经网络模型预测结果 | 第52-54页 |
| 5 小波互信息神经网络的预测模型 | 第54-63页 |
| 5.1 基本步骤 | 第54页 |
| 5.2 预报因子处理和筛选 | 第54-55页 |
| 5.3 预测结果 | 第55-56页 |
| 5.4 结果分析 | 第56-63页 |
| 6 结论与展望 | 第63-66页 |
| 6.1 主要结论 | 第63-64页 |
| 6.2 主要创新点 | 第64页 |
| 6.3 讨论与展望 | 第64-66页 |
| 参考文献 | 第66-70页 |
| 附录(一) | 第70-78页 |
| 附录(二) | 第78-79页 |
| 致谢 | 第79页 |
