| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 论文研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-13页 |
| 1.3 目前存在的以及要解决的主要问题 | 第13-15页 |
| 1.3.1 存在的主要问题及发展趋势 | 第13-14页 |
| 1.3.2 需要解决的主要问题 | 第14-15页 |
| 1.4 本文主要研究内容和工作安排 | 第15-19页 |
| 1.4.1 论文主要研究内容和研究思路 | 第15-17页 |
| 1.4.2 论文内容安排 | 第17-19页 |
| 第二章 飞机客舱环境和能耗的分析 | 第19-24页 |
| 2.1 能耗预测研究对象 | 第19页 |
| 2.1.1 预测要求 | 第19页 |
| 2.1.2 飞机客舱模型 | 第19页 |
| 2.2 飞机客舱能耗影响因素 | 第19-22页 |
| 2.2.1 飞机客舱外环境影响 | 第20-21页 |
| 2.2.2 飞机客舱内环境影响 | 第21-22页 |
| 2.3 飞机客舱能耗的分析 | 第22页 |
| 2.4 本章小结 | 第22-24页 |
| 第三章 基于微粒群和神经网络的飞机客舱能耗组合预测 | 第24-34页 |
| 3.1 神经网络模型的选择 | 第24-26页 |
| 3.1.1 神经网络模型概述 | 第24页 |
| 3.1.2 GRNN神经网络模型 | 第24-26页 |
| 3.2 微粒群优化算法 | 第26-30页 |
| 3.2.1 基本微粒群优化算法 | 第26-27页 |
| 3.2.2 协同微粒群优化算法 | 第27-28页 |
| 3.2.3 加入混沌思想改进的协同微粒群优化算法 | 第28-30页 |
| 3.3 飞机客舱能耗组合预测 | 第30-33页 |
| 3.3.1 客舱影响因素分析 | 第30-31页 |
| 3.3.2 GRNN预测模型参数优化 | 第31-32页 |
| 3.3.3 GRNN预测模型仿真结果 | 第32-33页 |
| 3.4 本章小结 | 第33-34页 |
| 第四章 基于联合优化算法和神经网络的飞机客舱能耗组合预测 | 第34-43页 |
| 4.1 联合优化算法 | 第34-39页 |
| 4.1.1 基于线性分配的聚类算法 | 第34-35页 |
| 4.1.2 珊瑚礁优化算法 | 第35-36页 |
| 4.1.3 联合优化算法的寻优步骤 | 第36-38页 |
| 4.1.4 联合优化算法的收敛性分析 | 第38-39页 |
| 4.2 飞机客舱能耗组合预测 | 第39-42页 |
| 4.2.1 小波神经网络 | 第39页 |
| 4.2.2 小波神经网络参数优化 | 第39-40页 |
| 4.2.3 飞机客舱能耗预测仿真结果 | 第40-42页 |
| 4.3 本章小结 | 第42-43页 |
| 第五章 基于支持向量机的飞机客舱能耗非线性组合预测 | 第43-55页 |
| 5.1 支持向量机理论 | 第43-46页 |
| 5.1.1 支持向量机基本思想 | 第43页 |
| 5.1.2 支持向量机的数学模型 | 第43-46页 |
| 5.2 预测模型的选择 | 第46-48页 |
| 5.2.1 主预测模型的选择 | 第46-47页 |
| 5.2.2 单项预测模型的选择 | 第47-48页 |
| 5.3 基于注水原理的单项预测模型权重分配 | 第48-50页 |
| 5.3.1 注水原理 | 第48页 |
| 5.3.2 预测模型权重分配 | 第48-50页 |
| 5.4 基于支持向量机的非线性组合预测 | 第50-51页 |
| 5.4.1 非线性组合预测的结构 | 第50页 |
| 5.4.2 非线性组合预测的基本步骤 | 第50-51页 |
| 5.5 实例仿真 | 第51-54页 |
| 5.5.1 单一预测模型预测精度比较分析 | 第51-52页 |
| 5.5.2 非线性组合预测精度比较分析 | 第52-53页 |
| 5.5.3 预测模型泛化误差收敛比较分析 | 第53-54页 |
| 5.6 本章小结 | 第54-55页 |
| 结论 | 第55-57页 |
| 致谢 | 第57-58页 |
| 参考文献 | 第58-63页 |
| 附录 | 第63-74页 |
| 作者简介 | 第74页 |
