| 摘要 | 第3-4页 |
| abstract | 第4页 |
| 第1章 绪论 | 第7-13页 |
| 1.1 课题研究背景与意义 | 第7-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.3 研究内容和技术路线 | 第11-13页 |
| 1.3.1 研究内容 | 第11-12页 |
| 1.3.2 技术路线 | 第12-13页 |
| 第2章 研究方法概述 | 第13-25页 |
| 2.1 关联规则挖掘算法 | 第13-15页 |
| 2.1.1 关联规则的原理 | 第13-14页 |
| 2.1.2 Apriori算法的原理与步骤 | 第14-15页 |
| 2.2 BP神经网络算法 | 第15-20页 |
| 2.2.1 BP神经网络的结构 | 第16-18页 |
| 2.2.2 BP学习算法步骤 | 第18-20页 |
| 2.2.3 BP学习算法的局限性 | 第20页 |
| 2.3 遗传算法 | 第20-21页 |
| 2.4 遗传神经网络-关联规则联合算法 | 第21-25页 |
| 第3章 天津市PM_(2.5)的气象影响因素分析 | 第25-47页 |
| 3.1 PM_(2.5)质量浓度的自相关关系 | 第26-28页 |
| 3.1.1 PM_(2.5)质量浓度的时间变化规律 | 第26-27页 |
| 3.1.2 PM_(2.5)质量浓度的自相关关系 | 第27-28页 |
| 3.2 气压的影响 | 第28-32页 |
| 3.2.1 气压的时间变化规律 | 第28页 |
| 3.2.2 气压与PM_(2.5)质量浓度的关系 | 第28-32页 |
| 3.3 降水的影响 | 第32-34页 |
| 3.3.1 降水量的时间变化规律 | 第32-33页 |
| 3.3.2 降水与PM_(2.5)质量浓度的关系 | 第33-34页 |
| 3.4 相对湿度的影响 | 第34-37页 |
| 3.4.1 相对湿度的时间变化规律 | 第34-35页 |
| 3.4.2 相对湿度与PM_(2.5)质量浓度的关系 | 第35-37页 |
| 3.5 风向的影响 | 第37-41页 |
| 3.5.1 风向的时间变化规律 | 第37-38页 |
| 3.5.2 风向与PM_(2.5)质量浓度的关系 | 第38-41页 |
| 3.6 风速的影响 | 第41-42页 |
| 3.6.1 风速的时间变化规律 | 第41页 |
| 3.6.2 风速与PM_(2.5)质量浓度的关系 | 第41-42页 |
| 3.7 气温的影响 | 第42-44页 |
| 3.7.1 气温的时间变化规律 | 第42-43页 |
| 3.7.2 气温与PM_(2.5)质量浓度的关系 | 第43-44页 |
| 3.8 小结 | 第44-47页 |
| 第4章 天津市PM_(2.5)与气象因素的关联规则挖掘 | 第47-63页 |
| 4.1 数据预处理 | 第47-49页 |
| 4.2 关联规则挖掘结果分析 | 第49-61页 |
| 4.2.1 春季关联规则挖掘 | 第50-52页 |
| 4.2.2 夏季关联规则挖掘 | 第52-54页 |
| 4.2.3 秋季关联规则挖掘 | 第54-58页 |
| 4.2.4 冬季关联规则挖掘 | 第58-61页 |
| 4.3 小结 | 第61-63页 |
| 第5章 天津市PM_(2.5)质量浓度预测 | 第63-75页 |
| 5.1 数据准备 | 第63-65页 |
| 5.1.1 选取数据 | 第63页 |
| 5.1.2 关联向量的生成 | 第63-65页 |
| 5.1.3 数据归一化 | 第65页 |
| 5.2 模型设计 | 第65-69页 |
| 5.2.1 神经网络参数确定 | 第65-68页 |
| 5.2.2 遗传算法参数确定 | 第68页 |
| 5.2.3 关联向量确定 | 第68-69页 |
| 5.2.4 建立模型 | 第69页 |
| 5.3 预测结果分析 | 第69-73页 |
| 5.4 小结 | 第73-75页 |
| 第6章 结论与展望 | 第75-79页 |
| 6.1 结论 | 第75-77页 |
| 6.2 建议与展望 | 第77-79页 |
| 参考文献 | 第79-83页 |
| 发表论文和科研情况说明 | 第83-85页 |
| 致谢 | 第85页 |
