| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-20页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 PM2.5 危害 | 第10-11页 |
| 1.3 近年来PM2.5 严重程度 | 第11-13页 |
| 1.4 国内外研究现状 | 第13-16页 |
| 1.5 本文的研究意义 | 第16页 |
| 1.6 研究思路及创新点 | 第16-20页 |
| 1.6.1 研究思路 | 第16-18页 |
| 1.6.2 创新点 | 第18-20页 |
| 第2章 基本理论基础 | 第20-31页 |
| 2.1 支持向量回归算法 | 第20-23页 |
| 2.1.1 支持向量回归算法原理 | 第20-22页 |
| 2.1.2 核函数 | 第22页 |
| 2.1.3 核函数的选取 | 第22-23页 |
| 2.2 粒子群算法 | 第23-24页 |
| 2.2.1 粒子群算法概述 | 第23页 |
| 2.2.2 粒子群算法的实现 | 第23-24页 |
| 2.3 遗传算法 | 第24-26页 |
| 2.3.1 遗传算法概述 | 第24-25页 |
| 2.3.2 遗传算法的实现 | 第25-26页 |
| 2.4 粒子群算法与遗传算法的异同 | 第26-27页 |
| 2.5 数据处理 | 第27-31页 |
| 2.5.1 归一化 | 第27-28页 |
| 2.5.2 因子分析法 | 第28-29页 |
| 2.5.3 因子分析法与其他降维理论的比较 | 第29-31页 |
| 第3章 PM2.5 预测模型的建立 | 第31-37页 |
| 3.1 模型的重要参数分析 | 第32-33页 |
| 3.2 模型的重要参数优化 | 第33-37页 |
| 3.2.1 基于粒子群算法SVR参数寻优 | 第33-35页 |
| 3.2.2 基于遗传算法SVR参数寻优 | 第35-37页 |
| 第4章 PM2.5 预测模型的实现 | 第37-47页 |
| 4.1 数据来源及预测对象分析 | 第37页 |
| 4.2 因子分析降维 | 第37-41页 |
| 4.2.1 气象因素样本因子分析PM2.5 于各因素的相关性 | 第37-39页 |
| 4.2.2 气象因素样本的KMO和Bartlett的检验 | 第39页 |
| 4.2.3 大气污染样本因子分析PM2.5 于各因素的相关性 | 第39-40页 |
| 4.2.4 大气污染样本的KMO和Bartlett的检验 | 第40页 |
| 4.2.5 大气污染样本与气象因素分析与组合 | 第40-41页 |
| 4.3 SVR参数寻优与SVR预测模型的验证 | 第41-45页 |
| 4.3.1 PSO-SVR参数寻优 | 第41-42页 |
| 4.3.2 PM2.5 预测值与实际值对比 | 第42-43页 |
| 4.3.3 GA-SVR参数寻优 | 第43-45页 |
| 4.3.4 PM2.5 预测值与实际值对比 | 第45页 |
| 4.4 实验结果分析 | 第45-46页 |
| 4.5 本章小结 | 第46-47页 |
| 第5章 本文总结与展望 | 第47-49页 |
| 5.1 本文总结 | 第47-48页 |
| 5.2 展望 | 第48-49页 |
| 参考文献 | 第49-54页 |
| 致谢 | 第54-55页 |
| 攻读学位期间取得的科研成果 | 第55页 |
