摘要 | 第6-7页 |
abstract | 第7页 |
第1章 绪论 | 第11-19页 |
1.1 论文选题背景 | 第11-13页 |
1.1.1 PM2.5的危害 | 第11-12页 |
1.1.2 占道施工对车道PM2.5浓度的影响 | 第12-13页 |
1.1.3 占道施工区车道PM2.5浓度数据简析 | 第13页 |
1.2 研究现状 | 第13-15页 |
1.2.1 国外研究现状 | 第13-14页 |
1.2.2 国内研究现状 | 第14-15页 |
1.3 研究意义 | 第15-16页 |
1.4 主要研究内容 | 第16-18页 |
1.4.1 研究目标 | 第16页 |
1.4.2 主要研究内容 | 第16-18页 |
1.5 技术路线 | 第18-19页 |
第2章 实验 | 第19-36页 |
2.1 实验概述 | 第19页 |
2.2 实验地点选择 | 第19-20页 |
2.3 顺江路站道路状况分析 | 第20-23页 |
2.4 车道PM浓度及相关因素采集实验 | 第23-30页 |
2.4.1 实验设备 | 第24-28页 |
2.4.2 实验方案 | 第28页 |
2.4.3 原始实验数据 | 第28-30页 |
2.5 数据质量分析 | 第30-35页 |
2.5.1 缺失值与异常值分析理论方法 | 第30-31页 |
2.5.2 数据质量分析结果 | 第31-35页 |
2.6 本章小结 | 第35-36页 |
第3章 实验数据预处理 | 第36-51页 |
3.1 数据预处理概述 | 第36页 |
3.2 数据清洗 | 第36-43页 |
3.2.1 数据清洗理论方法 | 第36-40页 |
3.2.2 实验数据清洗 | 第40-43页 |
3.3 PM数据小波降噪 | 第43-49页 |
3.3.1 小波降噪理论方法 | 第43-47页 |
3.3.2 车道PM浓度数据小波降噪 | 第47-49页 |
3.4 数据集成 | 第49-50页 |
3.5 本章小结 | 第50-51页 |
第4章 车道PM浓度数据统计分布及影响分析 | 第51-75页 |
4.1 简介 | 第51页 |
4.2 占道施工区交通流特性分析 | 第51-53页 |
4.3 PM浓度数据统计量与分布分析 | 第53-59页 |
4.3.1 统计分析理论方法 | 第53-54页 |
4.3.2 PM浓度数据统计分布结果分析 | 第54-59页 |
4.4 相关性分析 | 第59-65页 |
4.4.1 相关性分析理论方法 | 第59页 |
4.4.2 相关性分析结果 | 第59-65页 |
4.5 自相关分析 | 第65-68页 |
4.5.1 自相关分析理论方法 | 第65页 |
4.5.2 PM浓度数据自相关分析结果 | 第65-68页 |
4.6 聚类分析 | 第68-73页 |
4.6.1 聚类分析理论方法 | 第68页 |
4.6.2 聚类分析结果 | 第68-73页 |
4.7 本章小结 | 第73-75页 |
第五章 基于自变量降维的施工区车道PM2.5浓度数据BP神经网络建模 | 第75-95页 |
5.1 基于自变量降维的BP神经网络建模方法概述 | 第75-76页 |
5.2 BP神经网络建模及优化算法 | 第76-80页 |
5.2.1 BP神经网络模型 | 第76-77页 |
5.2.2 遗传算法优化的BP神经网络模型 | 第77-79页 |
5.2.3 粒子群算法优化的BP神经网络模型 | 第79-80页 |
5.3 占道施工区车道PM2.5浓度PCA-BP神经网络模型 | 第80-88页 |
5.3.1 主成分分析法概述 | 第81页 |
5.3.2 主成分分析法步骤 | 第81-82页 |
5.3.3 主成分分析结果 | 第82-84页 |
5.3.4 占道施工区车道PM2.5浓度PCA-BP预测模型 | 第84-88页 |
5.4 占道施工区车道PM2.5浓度GA-BP-PSO神经网络模型 | 第88-93页 |
5.4.1 GA-BP施工区车道PM2.5浓度预测模型 | 第88-91页 |
5.4.2 GA-BP-PSO施工区车道PM2.5浓度预测模型 | 第91-93页 |
5.5 本章小结 | 第93-95页 |
结论与展望 | 第95-97页 |
结论 | 第95页 |
展望 | 第95-97页 |
致谢 | 第97-98页 |
参考文献 | 第98-102页 |
攻读硕士学位期间发表的论文及科研成果 | 第102页 |