基于支持向量机的冰塞水位预测研究
| 摘要 | 第1-6页 |
| Abstract | 第6-7页 |
| 致谢 | 第7-13页 |
| 第一章 绪论 | 第13-19页 |
| ·引言 | 第13-14页 |
| ·冰凌灾害型式 | 第14-15页 |
| ·冰塞国内外研究现状 | 第15-17页 |
| ·本文试验原理和条件简述 | 第17页 |
| ·本课题的来源、目的及意义 | 第17-19页 |
| 第二章 统计学习理论与支持向量机简介 | 第19-33页 |
| ·机器学习简介 | 第19-22页 |
| ·机器学习的主要问题 | 第19-20页 |
| ·经验风险最小化 | 第20-21页 |
| ·复杂性与推广能力 | 第21-22页 |
| ·统计学系理论的核心内容 | 第22-27页 |
| ·学习过程一致性的条件 | 第22-23页 |
| ·VC维 | 第23-24页 |
| ·推广性的界 | 第24-25页 |
| ·结构风险最小化 | 第25-27页 |
| ·支持向量机 | 第27-33页 |
| ·最优超平面 | 第27-29页 |
| ·支持向量分类机 | 第29-30页 |
| ·支持向量回归机 | 第30-32页 |
| ·本章小结 | 第32-33页 |
| 第三章 SVM在试验条件下冰塞水位预测中的应用 | 第33-48页 |
| ·冰塞水位的影响因素 | 第33-35页 |
| ·试验室实测条件概述 | 第35-38页 |
| ·试验条件下支持向量回归模型的核函数和参数选取 | 第38-40页 |
| ·核函数的选取 | 第38页 |
| ·参数的影响及选取 | 第38-40页 |
| ·SVM在试验条件下弯道水位预测研究 | 第40-43页 |
| ·LIBSVM工具箱简介 | 第40页 |
| ·LIBSVM常用工具的使用 | 第40-41页 |
| ·预测结果分析 | 第41-43页 |
| ·试验条件下BP神经网络与SVM预测结果之比较 | 第43-48页 |
| 第四章 SVM在天然河道冰塞水位预测中的应用 | 第48-60页 |
| ·黄河河曲段冰情概况 | 第48页 |
| ·黄河河曲段的地理位置及河势 | 第48-49页 |
| ·黄河河曲段的气温及冰情简介 | 第49-51页 |
| ·SVM对天然河道冰塞水位的预测研究 | 第51-57页 |
| ·天然河道中BP神经网络与SVM预测结果之比较 | 第57-60页 |
| 第五章 总结与展望 | 第60-62页 |
| ·总结 | 第60页 |
| ·展望 | 第60-62页 |
| 参考文献 | 第62-66页 |
| 攻读硕士学位期间发表的论文 | 第66页 |
