基于优化深度置信网络的空气质量指数预测模型研究
| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 空气质量指数 | 第9-10页 |
| 1.2 研究概况 | 第10-15页 |
| 1.2.1 我国空气质量现状 | 第10-11页 |
| 1.2.2 研究背景及意义 | 第11-12页 |
| 1.2.3 国内外研究现状 | 第12-15页 |
| 1.3 研究内容及论文结构安排 | 第15-17页 |
| 1.3.1 研究内容 | 第15页 |
| 1.3.2 论文结构安排 | 第15-17页 |
| 第2章 相关理论分析 | 第17-43页 |
| 2.1 集成自回归平均滑动模型 | 第17-21页 |
| 2.1.1 时间序列概念 | 第17-18页 |
| 2.1.2 模型原理 | 第18-19页 |
| 2.1.3 模型识别 | 第19-21页 |
| 2.2 神经网络模型 | 第21-29页 |
| 2.2.1 多层感知器结构 | 第24-25页 |
| 2.2.2 误差反向传播算法 | 第25-29页 |
| 2.3 深度学习模型 | 第29-37页 |
| 2.3.1 受限玻尔兹曼机 | 第30-34页 |
| 2.3.2 深度置信网络 | 第34-37页 |
| 2.4 差分进化算法 | 第37-41页 |
| 2.4.1 标准DE算法步骤描述 | 第37-38页 |
| 2.4.2 标准DE算法伪代码及流程图 | 第38-41页 |
| 2.5 模型预测精度指标 | 第41-42页 |
| 2.6 本章小结 | 第42-43页 |
| 第3章 数据的获取和预处理 | 第43-50页 |
| 3.1 数据的获取 | 第43-44页 |
| 3.2 数据的预处理 | 第44-49页 |
| 3.2.1 数据的标准化 | 第44-46页 |
| 3.2.2 数据的划分 | 第46-47页 |
| 3.2.3 AQI数值与气象数据相关性分析 | 第47-49页 |
| 3.3 本章小结 | 第49-50页 |
| 第4章 空气质量指数预测模型建立 | 第50-69页 |
| 4.1 ARIMA预测模型 | 第50-56页 |
| 4.1.1 预测步骤 | 第50页 |
| 4.1.2 模型建立 | 第50-55页 |
| 4.1.3 预测结果 | 第55-56页 |
| 4.2 BP神经网络预测模型 | 第56-60页 |
| 4.2.1 预测步骤 | 第56页 |
| 4.2.2 模型建立 | 第56-59页 |
| 4.2.3 预测结果 | 第59-60页 |
| 4.3 深度置信网络预测模型 | 第60-66页 |
| 4.3.1 预测步骤 | 第60-62页 |
| 4.3.2 模型建立 | 第62-65页 |
| 4.3.3 预测结果 | 第65-66页 |
| 4.4 模型对比 | 第66-68页 |
| 4.4.1 模型评价指标对比 | 第66-67页 |
| 4.4.2 空气质量指数等级评定 | 第67-68页 |
| 4.4.3 模型预测结果评价 | 第68页 |
| 4.5 本章小结 | 第68-69页 |
| 第5章 深度置信网络预测模型的优化 | 第69-81页 |
| 5.1 DE-DBN模型建立 | 第69-75页 |
| 5.1.1 种群个体编码 | 第69页 |
| 5.1.2 适应度函数 | 第69-70页 |
| 5.1.3 控制参数的改进 | 第70-75页 |
| 5.2 预测步骤及参数设置 | 第75-77页 |
| 5.2.1 DE-DBN模型预测步骤 | 第75-76页 |
| 5.2.2 DE-DBN算法流程 | 第76页 |
| 5.2.3 DE-DBN参数设置 | 第76-77页 |
| 5.3 预测结果 | 第77-78页 |
| 5.4 模型对比 | 第78-80页 |
| 5.4.1 模型评价指标对比 | 第78-80页 |
| 5.4.2 空气质量指数等级评定 | 第80页 |
| 5.4.3 模型预测结果评价 | 第80页 |
| 5.5 本章小结 | 第80-81页 |
| 总结及展望 | 第81-82页 |
| 致谢 | 第82-83页 |
| 参考文献 | 第83-86页 |
