| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 论文组织结构 | 第13-15页 |
| 第二章 非线性慢时变系统及数据预处理 | 第15-21页 |
| 2.1 非线性慢时变系统 | 第15页 |
| 2.2 数据预处理 | 第15-18页 |
| 2.2.1 数据预处理的必要性 | 第16页 |
| 2.2.2 数据预处理的主要方法 | 第16-18页 |
| 2.3 模型阶次的确定 | 第18-20页 |
| 2.3.1 时间序列模型 | 第18-20页 |
| 2.3.2 时间序列模型的定阶方法 | 第20页 |
| 2.4 本章小结 | 第20-21页 |
| 第三章 基于BP神经网络的批量预测与在线预测 | 第21-35页 |
| 3.1 BP神经网络 | 第21-27页 |
| 3.1.1 BP神经网络的结构 | 第21-22页 |
| 3.1.2 BP学习算法 | 第22-25页 |
| 3.1.3 BP算法的改进 | 第25-27页 |
| 3.2 参数慢时变的非线性函数的在线预测与批量预测 | 第27-29页 |
| 3.2.1 在线预测 | 第27页 |
| 3.2.2 批量预测 | 第27-28页 |
| 3.2.3 对比与分析 | 第28-29页 |
| 3.3 Mackey-Glass时间序列的在线预测与批量预测 | 第29-31页 |
| 3.3.1 在线预测 | 第29页 |
| 3.3.2 批量预测 | 第29-30页 |
| 3.3.3 对比与分析 | 第30-31页 |
| 3.4 风电场风速的在线预测与批量预测 | 第31-33页 |
| 3.4.1 在线预测 | 第31-32页 |
| 3.4.2 批量预测 | 第32-33页 |
| 3.4.3 对比与分析 | 第33页 |
| 3.5 本章小结 | 第33-35页 |
| 第四章 基于级连相关网络的增量预测 | 第35-43页 |
| 4.1 级连相关网络 | 第35-38页 |
| 4.1.1 简介 | 第35页 |
| 4.1.2 BP算法学习速度慢的原因 | 第35-37页 |
| 4.1.3 级连相关网络的结构 | 第37-38页 |
| 4.1.4 学习算法 | 第38页 |
| 4.2 参数慢时变的非线性函数的增量预测 | 第38-39页 |
| 4.3 Mackey-Glass时间序列的增量预测 | 第39-40页 |
| 4.4 风电场风速数据的增量预测 | 第40-41页 |
| 4.5 本章小结 | 第41-43页 |
| 第五章 基于RBF神经网络的区间预测 | 第43-55页 |
| 5.1 RBF神经网络 | 第43-45页 |
| 5.1.1 RBF神经网络简介 | 第43-44页 |
| 5.1.2 RBF神经网络的学习算法 | 第44-45页 |
| 5.2 LUBE算法 | 第45-48页 |
| 5.2.1 区间预测的评价指标 | 第46-48页 |
| 5.2.2 模拟退火算法 | 第48页 |
| 5.3 风电场风速数据的区间预测 | 第48-53页 |
| 5.3.1 构建模型 | 第48-49页 |
| 5.3.2 参数初始化 | 第49-51页 |
| 5.3.3 算例仿真 | 第51-53页 |
| 5.4 本章小结 | 第53-55页 |
| 第六章 总结与展望 | 第55-57页 |
| 6.1 本文的主要结论 | 第55页 |
| 6.2 课题研究展望 | 第55-57页 |
| 致谢 | 第57-59页 |
| 参考文献 | 第59-63页 |
| 作者简介 | 第63页 |
