| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 1 绪论 | 第8-16页 |
| 1.1 研究目的与意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.3 研究思路和方法 | 第12-13页 |
| 1.4 本文的主要工作及结构安排 | 第13-14页 |
| 1.5 本章小结 | 第14-16页 |
| 2 相关理论与方法 | 第16-28页 |
| 2.1 基于PCA的数据降维 | 第16-18页 |
| 2.2 人工神经网络概述 | 第18-19页 |
| 2.3 RBF神经网络概述 | 第19-26页 |
| 2.3.1 RBF神经网络结构 | 第19-22页 |
| 2.3.2 RBF神经网络隐含层参数确定 | 第22-26页 |
| 2.4 本章小结 | 第26-28页 |
| 3 基于K-means聚类算法的RBF神经网络降水预报模型 | 第28-34页 |
| 3.1 RBF隐节点数的确定 | 第28-29页 |
| 3.2 RBF隐含层基函数中心参数的确定 | 第29-31页 |
| 3.2.1 K-means聚类算法基本原理介绍 | 第29-31页 |
| 3.2.2 K-means聚类算法确定基函数中心参数 | 第31页 |
| 3.3 RBF隐含层基函数宽度的确定 | 第31-32页 |
| 3.4 输出层权值的确定 | 第32页 |
| 3.5 本章小结 | 第32-34页 |
| 4 基于粒子群算法的优化RBF神经网络降水预报模型 | 第34-50页 |
| 4.1 粒子群算法 | 第34-39页 |
| 4.1.1 基本PSO算法 | 第35-37页 |
| 4.1.2 标准PSO算法 | 第37-38页 |
| 4.1.3 粒子群算法参数设置 | 第38-39页 |
| 4.2 PSO算法的改进 | 第39-41页 |
| 4.2.1 随机惯性因子权重的PSO算法 | 第39-40页 |
| 4.2.2 自适应惯性权重的PSO算法 | 第40-41页 |
| 4.3 基于种群分组的PSO改进算法及其性能分析 | 第41-45页 |
| 4.3.1 种群分组的PSO改进算法 | 第41-43页 |
| 4.3.2 GPSO算法性能分析 | 第43-45页 |
| 4.4 PSO-RBF神经网络降水预报模型 | 第45-49页 |
| 4.4.1 标准PSO-RBF神经网络降水预报模型 | 第46-48页 |
| 4.4.2 改进PSO-RBF神经网络降水预报模型及模型评价指标 | 第48-49页 |
| 4.5 本章小结 | 第49-50页 |
| 5 应用研究 | 第50-60页 |
| 5.1 RBF神经网络降水预报模型应用框架及实验环境 | 第50-52页 |
| 5.1.1 模型应用框架 | 第50-51页 |
| 5.1.2 实验环境 | 第51-52页 |
| 5.2 预报区域降水数据处理 | 第52-54页 |
| 5.3 区域短临降水预报 | 第54-57页 |
| 5.3.1 确定RBF网络结构 | 第54-56页 |
| 5.3.2 RBF神经网络降水预报模型参数确定 | 第56页 |
| 5.3.3 区域短临降水预报数值计算 | 第56-57页 |
| 5.4 区域降水预报结果分析 | 第57-58页 |
| 5.5 本章小结 | 第58-60页 |
| 6 结论与展望 | 第60-62页 |
| 6.1 结论 | 第60页 |
| 6.2 展望 | 第60-62页 |
| 参考文献 | 第62-66页 |
| 附录1 K-means-RBF、PSO-RBF、GPSO-RBF关键代码 | 第66-74页 |
| 在读期间的研究成果 | 第74-76页 |
| 致谢 | 第76页 |
