| 摘要 | 第1-6页 |
| Abstract | 第6-9页 |
| 第一章 绪论 | 第9-15页 |
| 1．1 研究背景及意义 | 第9-10页 |
| 1．2 水质监测研究现状 | 第10页 |
| 1．3 水质评价研究现状 | 第10-11页 |
| 1．4 信息融合方法及相关技术研究现状 | 第11-12页 |
| 1．5 支持向量机在水质监测与评价中的应用分析 | 第12-13页 |
| 1．6 本文研究内容与组织结构 | 第13-15页 |
| 第二章 信息融合技术在水质评价中的应用 | 第15-26页 |
| 2．1 信息融合技术 | 第15-17页 |
| 2．2 水质评价基本方法 | 第17-19页 |
| 2．3 信息融合技术在水质评价中的应用 | 第19-25页 |
| 2．3．1 基于神经网络的水环境信息融合 | 第19-23页 |
| 2．3．2 基于 DS证据理论的水环境信息融合 | 第23-25页 |
| 2．3．3 结论 | 第25页 |
| 2．4 本章小结 | 第25-26页 |
| 第三章 支持向量机理论 | 第26-42页 |
| 3．1 机器学习的基本方法 | 第26-29页 |
| 3．2 统计学习理论的基本思想 | 第29-32页 |
| 3．3 支持向量机 | 第32-41页 |
| 3．3．1 线性支持向量机 | 第32-36页 |
| 3．3．2 非线性支持向量机 | 第36-39页 |
| 3．3．3 支持向量机回归 | 第39-41页 |
| 3．4 支持向量机与多层前向神经网络的比较 | 第41-42页 |
| 第四章 SVM在基于地面监测数据的水质监测信息融合与评价中的应用 | 第42-55页 |
| 4．1 基于地面监测数据的 SVM水质状况识别模型 | 第42-48页 |
| 4．1．1 研究材料 | 第43-44页 |
| 4．1．2 支持向量机识别模型构建 | 第44-46页 |
| 4．1．3 样本学习 | 第46-47页 |
| 4．1．4 水质分类结果与比较分析 | 第47-48页 |
| 4．2 基于地面监测数据的SVM水质监测信息融合处理模型 | 第48-55页 |
| 4．2．1 研究材料 | 第49-50页 |
| 4．2．2 支持向量机水质监测模型构建 | 第50-51页 |
| 4．2．3 支持向量机模型预测结果及与RBF神经网络模型的比较 | 第51-54页 |
| 4．2．4 实验小结 | 第54-55页 |
| 第五章 SVM在基于遥感图像与地面监测数据的水质监测信息融合与评价中的应用 | 第55-71页 |
| 5．1 基于遥感图像与地面信息的 SVM水质监测信息融合处理模型 | 第55-66页 |
| 5．1．1 遥感水质监测概述 | 第56-58页 |
| 5．1．2 研究区域概况 | 第58页 |
| 5．1．3 数据获取与数据处理 | 第58-61页 |
| 5．1．4 支持向量机水质监测模型 | 第61-62页 |
| 5．1．5 太湖水质监测结果及比较分析 | 第62-66页 |
| 5．2 基于遥感图像与地面信息的 SVM水质评价模型 | 第66-69页 |
| 5．2．1 SVM水质评价模型结构原理 | 第66-67页 |
| 5．2．2 实验与结果分析 | 第67-69页 |
| 5．2．3 实验结论 | 第69页 |
| 5．3 本章小结 | 第69-71页 |
| 第六章 总结与展望 | 第71-74页 |
| 6．1 总结 | 第71-72页 |
| 6．2 展望 | 第72-74页 |
| 参考文献 | 第74-80页 |
| 附录A:实验程序 | 第80-85页 |
| 附录B:硕士学习期间论文发表情况 | 第85-86页 |
| 致谢 | 第86页 |
