| 中文摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第7-10页 |
| 1.1 课题背景及研究意义 | 第7页 |
| 1.2 PM_(2.5)浓度预测概述 | 第7-8页 |
| 1.3 本文的主要工作和结构安排 | 第8-10页 |
| 第二章 基于不同分解算法及多个优化算法的混合预测模型研究 | 第10-21页 |
| 2.1 数据预处理方法 | 第10-14页 |
| 2.1.1 奇异谱分析 | 第10-11页 |
| 2.1.2 集合经验模态分解 | 第11-12页 |
| 2.1.3 小波分解 | 第12-13页 |
| 2.1.4 模糊熵方法 | 第13-14页 |
| 2.2 预测模型 | 第14-17页 |
| 2.2.1 BP神经网络 | 第14页 |
| 2.2.2 小波神经网络 | 第14-15页 |
| 2.2.3 ELMAN神经网络 | 第15-16页 |
| 2.2.4 支持向量机回归(SVR) | 第16-17页 |
| 2.3 优化算法 | 第17-21页 |
| 2.3.1 遗传算法(GA) | 第17-18页 |
| 2.3.2 粒子群(PSO)算法 | 第18-19页 |
| 2.3.3 GAPSO算法 | 第19-21页 |
| 第三章 实证分析及讨论 | 第21-36页 |
| 3.1 实证分析 | 第21-23页 |
| 3.1.1 PM_(2.5)数据的标准化及预处理 | 第21页 |
| 3.1.2 适应函数的选择 | 第21页 |
| 3.1.3 研究地点及数据集 | 第21-22页 |
| 3.1.4 预测性能的评估标准 | 第22-23页 |
| 3.1.5 实验设计 | 第23页 |
| 3.2 实验一 | 第23-27页 |
| 3.2.1 数据预处理 | 第23-24页 |
| 3.2.2 模糊熵方法 | 第24-26页 |
| 3.2.3 建模预测 | 第26-27页 |
| 3.2.4 实验一总结 | 第27页 |
| 3.3 实验二 | 第27-36页 |
| 3.3.1 数据预处理 | 第28-29页 |
| 3.3.2 模型的选择 | 第29-30页 |
| 3.3.3 模型参数的优化 | 第30-36页 |
| 结论和展望 | 第36-37页 |
| 参考文献 | 第37-39页 |
| 致谢 | 第39页 |