系統(tǒng)辨識及其在水電能源中的應(yīng)用

總序
前言
第1章 線性回歸與隨機(jī)過程方法
1.1 線性回歸原理
1.1.1 回歸模型與最小二乘估計(jì)
1.1.2 線性檢驗(yàn)和置信區(qū)間
1.1.3 均差法與判定系數(shù)
1.2 水電站線性調(diào)度函數(shù)
1.2.1 線性調(diào)度函數(shù)與回歸分析
1.2.2 相鄰時(shí)段徑流獨(dú)立條件下的線性調(diào)度函數(shù)
1.2.3 線性決策函數(shù)的其他計(jì)算方法
1.2.4 線性調(diào)度函數(shù)的綜合計(jì)算方法
1.3 馬爾可夫過程
1.3.1 馬爾可夫（Markov）過程
1.3.2 切普曼-柯爾莫哥洛夫方程
1.3.3 齊次馬氏鏈
1.3.4 遍歷性與平穩(wěn)分布
1.4 Markov徑流描述
1.4.1 時(shí)段徑流分布律
1.4.2 時(shí)段相關(guān)與條件概率
1.4.3 檢查徑流是否簡單馬氏鏈的方法
參考文獻(xiàn)
第2章 時(shí)間序列分析
2.1 線性平穩(wěn)ARMA模型
2.1.1 線性平穩(wěn)模型的類別及特征
2.1.2 時(shí)間序列的預(yù)報(bào)
2.1.3 ARMA模型參數(shù)估計(jì)
2.1.4 模型階數(shù)的確定
2.2 簡單非平穩(wěn)、非線性模型
2.2.1 ARIMA模型
2.2.2 季節(jié)性ARIMA模型
2.2.3 線性趨勢預(yù)測技術(shù)
2.2.4 組合模型
2.2.5 門限自回歸模型
2.3 卡爾曼（Kalman）濾波模型
2.3.1 狀態(tài)空間及狀態(tài)估計(jì)
2.3.2 離散時(shí)間]Kalman濾波
2.3.3 多庫徑流預(yù)報(bào)模型
參考文獻(xiàn)
第3章 水庫系統(tǒng)的辨識型優(yōu)化調(diào)度理論
3.1 水庫系統(tǒng)辨識型優(yōu)化調(diào)度方法概述
3.1.1 辨識型優(yōu)化調(diào)度方法的提出
3.1.2 信息結(jié)構(gòu)
3.1.3 被測系統(tǒng)和研究對象的預(yù)處理
3.1.4 模型類的建立和水庫調(diào)度系統(tǒng)的幾種辨識結(jié)構(gòu)
3.1.5 最優(yōu)矩模型及其與串聯(lián)辨識優(yōu)化調(diào)度的關(guān)系
3.2 單庫的辨識型優(yōu)化調(diào)度
3.2.1 高水位原則的表述和初始調(diào)度方案
3.2.2 減少無益棄水原則和非線性調(diào)度函數(shù)
3.2.3 參數(shù)模型類和參數(shù)辨識：調(diào)度函數(shù)的優(yōu)選
3.2.4 數(shù)值模擬——回檢與最優(yōu)回檢
3.3 保證出力的確定
3.3.1 保證出力的取值范圍
3.3.2 保證出力的確定方法
3.3.3 引理的證明
參考文獻(xiàn)
第4章 梯級水庫辨識型優(yōu)化調(diào)度
4.1 梯級水庫能的能量增益轉(zhuǎn)換
4.1.1 梯級水庫的能量增益轉(zhuǎn)換及其轉(zhuǎn)換條件
4.1.2 箱庫模型及梯級水庫的全箱庫能增益轉(zhuǎn)換
4.2 最優(yōu)調(diào)度函數(shù)的確定
4.2.1 確定末庫容初態(tài)
4.2.2 聯(lián)合保證出力的全箱庫能增益轉(zhuǎn)換分配技術(shù)
4.2.3 非線性實(shí)時(shí)調(diào)度函數(shù)
4.2.4 調(diào)度函數(shù)的優(yōu)選——最優(yōu)調(diào)度規(guī)則
4.2.5 數(shù)值模擬——最優(yōu)回檢
4.3 定理和公式的證明
4.3.1 并聯(lián)水庫能和發(fā)電能關(guān)系式（4.3）的證明
4.3.2 梯級水庫能和發(fā)電能關(guān)系式（4.4）的證明
4.3.3 水庫蓄能式（4.11）的計(jì)算
4.3.4 定理4.1的證明
4.3.5 梯級水庫能箱庫分解式（4.17）的證明
參考文獻(xiàn)
第5章 洪水的分類預(yù)測與調(diào)度
5.1 長江中下游流域的洪水分類
5.2 洪水的分類預(yù)測
5.3 防洪實(shí)時(shí)調(diào)度規(guī)則的Bayes綜合
參考文獻(xiàn)
第6章 神經(jīng)網(wǎng)絡(luò)理論及應(yīng)用
6.1 引言
6.1.1 神經(jīng)網(wǎng)絡(luò)的發(fā)展及應(yīng)用
6.1.2 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)及學(xué)習(xí)方法
6.2 單層前向神經(jīng)網(wǎng)絡(luò)
6.2.1 線性網(wǎng)絡(luò)
6.2.2 非線性網(wǎng)絡(luò)
6.2.3 單層前向網(wǎng)絡(luò)的最小二乘分類算法
6.3 多層前向神經(jīng)網(wǎng)絡(luò)及應(yīng)用
6.3.1 前向多層神經(jīng)網(wǎng)絡(luò)的反傳學(xué)習(xí)算法（BP算法）
6.3.2 前向多層神經(jīng)網(wǎng)絡(luò)在預(yù)測中的應(yīng)用
6.4 反饋型神經(jīng)網(wǎng)絡(luò)及其應(yīng)用
6.4.1 連續(xù)系統(tǒng)神經(jīng)網(wǎng)絡(luò)
6.4.2 Hopfield人工神經(jīng)網(wǎng)絡(luò)在TSP中的應(yīng)用
6.4.3 離散系統(tǒng)神經(jīng)網(wǎng)絡(luò)
參考文獻(xiàn)
第7章 混沌理論及分析方法
7.1 引言
7.2 混沌的數(shù)學(xué)理論基礎(chǔ)
7.3 混沌分析原理及方法
7.3.1 混沌的基本概念
7.3.2 吸引子及其特征描述
7.4 混沌預(yù)測模型及應(yīng)用
7.4.1 全域預(yù)測方法
7.4.2 局域預(yù)測法
7.4.3 相軌跡演化模式算法
參考文獻(xiàn)
后記