| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 课题研究背景及其意义 | 第9页 |
| 1.2 课题研究的现状 | 第9-10页 |
| 1.3 相关技术的研究现状 | 第10-12页 |
| 1.3.1 相空间理论的研究现状 | 第10-11页 |
| 1.3.2 极限学习机的研究现状 | 第11-12页 |
| 1.3.3 经验模态分解技术的研究现状 | 第12页 |
| 1.4 本文的主要研究内容与技术路线 | 第12-14页 |
| 1.4.1 本文主要研究内容 | 第12-13页 |
| 1.4.2 技术路线 | 第13-14页 |
| 1.5 本文的组织结构 | 第14页 |
| 1.6 本章小结 | 第14-15页 |
| 第2章 有关理论方法简介 | 第15-26页 |
| 2.1 神经网络与极限学习机简介 | 第15-18页 |
| 2.1.1 神经网络概述 | 第15-17页 |
| 2.1.2 极限学习机算法简介 | 第17-18页 |
| 2.2 相空间重构理论简介 | 第18-22页 |
| 2.2.1 互信息法算法简介 | 第20页 |
| 2.2.2 虚假临近点法简介 | 第20-22页 |
| 2.3 经验模态分解方法简介 | 第22-25页 |
| 2.3.1 经验模态分解方法概述 | 第22页 |
| 2.3.2 经验模态分解方法步骤 | 第22-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第3章 基于EMD的相空间重构极限学习机的时序序列预测方法 | 第26-38页 |
| 3.1 模型的构建 | 第26-27页 |
| 3.2 算法的评估指标 | 第27页 |
| 3.3 数据质量的改善算法的设计与实现 | 第27-32页 |
| 3.3.1 IMF分解 | 第27-29页 |
| 3.3.2 改进前去噪重组 | 第29页 |
| 3.3.3 改进后的去噪重组 | 第29-32页 |
| 3.4 数据模式抽取算法的设计与实现 | 第32-35页 |
| 3.4.1 互信息法确定时间延迟 | 第32-33页 |
| 3.4.2 虚假邻近点法确定维度 | 第33-35页 |
| 3.4.3 数据重构 | 第35页 |
| 3.5 模型构建算法的设计与实现 | 第35-37页 |
| 3.5.1 极限学习机建模 | 第35-37页 |
| 3.6 本章小结 | 第37-38页 |
| 第4章 基于EMD的相空间重构极限学习机的时序序列预测方法在气温预测中的应用研究 | 第38-50页 |
| 4.1 气象要素预测的意义与研究背景 | 第38页 |
| 4.2 测试平台与数据集说明 | 第38-39页 |
| 4.3 评估指标 | 第39-40页 |
| 4.4 预测模型的学习数据与测试数据说明 | 第40-41页 |
| 4.5 相空间重构的时序序列测试 | 第41-42页 |
| 4.6 基于单要素相空间重构和极限学习机的时序序列预测模型测试 | 第42-43页 |
| 4.7 改进前的基于EMD的相空间重构极限学习机时序序列预测模型 | 第43-46页 |
| 4.8 改进后的基于EMD的相空间重构极限学习机时序序列预测模型 | 第46-48页 |
| 4.9 改进前后的模型与三种模型预测数据对比 | 第48-49页 |
| 4.10 本章小结 | 第49-50页 |
| 第5章 总结与展望 | 第50-51页 |
| 致谢 | 第51-52页 |
| 参考文献 | 第52-55页 |
| 攻读学位期间的研究成果 | 第55页 |
