| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 海水淡化概述 | 第9-11页 |
| 1.1.1 海水淡化技术 | 第9-10页 |
| 1.1.2 气体水合物海水淡化法 | 第10-11页 |
| 1.2 基于机器学习的水合物海水淡化工艺参数分析 | 第11-13页 |
| 1.2.1 问题的提出 | 第11-12页 |
| 1.2.2 解决的方案 | 第12-13页 |
| 1.3 本文主要研究内容 | 第13-15页 |
| 第二章 支持向量回归机 | 第15-23页 |
| 2.1 统计学习理论与支持向量机 | 第15-16页 |
| 2.2 支持向量回归模型 | 第16-21页 |
| 2.2.1 线性支持向量回归机 | 第17-19页 |
| 2.2.2 非线性支持向量回归机 | 第19-21页 |
| 2.3 本章小结 | 第21-23页 |
| 第三章 遗传算法优化的支持向量回归模型 | 第23-35页 |
| 3.1 遗传算法及其实现过程 | 第23-26页 |
| 3.1.1 遗传算法相关概念 | 第23-25页 |
| 3.1.2 遗传算法的实现及参数控制 | 第25-26页 |
| 3.2 遗传算法优化支持向量回归模型(GA-SVR) | 第26-29页 |
| 3.3 GA-SVR 实验分析 | 第29-33页 |
| 3.3.1 GA-SVR 实验设计 | 第29-30页 |
| 3.3.2 GA-SVR 实验结果分析 | 第30-31页 |
| 3.3.3 GA-SVR 问题分析 | 第31-33页 |
| 3.4 本章小结 | 第33-35页 |
| 第四章 基于复杂度指数的 GA-SVR 模型 | 第35-43页 |
| 4.1 复杂度指数的定义 | 第35-36页 |
| 4.2 复杂度指数与支持向量参数的关系 | 第36-38页 |
| 4.3 基于复杂度指数的 GA-SVR 模型(CI-GA-SVR) | 第38-39页 |
| 4.4 CI-GA-SVR 在气体水合物中的应用 | 第39-41页 |
| 4.5 本章小结 | 第41-43页 |
| 第五章 多维 CI-GA-SVR 模型 | 第43-53页 |
| 5.1 多维支持向量机介绍 | 第43-45页 |
| 5.2 多维 CI-GA-SVR 模型 | 第45-47页 |
| 5.2.1 多维 CI-GA-SVR 模型 CI 的定义 | 第45-46页 |
| 5.2.2 多维 CI-GA-SVR 模型 GA 的实现 | 第46-47页 |
| 5.2.3 多维 CI-GA-SVR 模型的建立 | 第47页 |
| 5.3 多维 CI-GA-SVR 模型实验结果 | 第47-52页 |
| 5.3.1 多维 CI-GA-SVR 实验验证 | 第47-48页 |
| 5.3.2 气体水合物海水淡化实验数据的选取 | 第48-49页 |
| 5.3.3 多维 CI-GA-SVR 实验结果 | 第49-52页 |
| 5.4 本章小结 | 第52-53页 |
| 第六章 结论 | 第53-55页 |
| 6.1 结论 | 第53页 |
| 6.2 下一步工作 | 第53-55页 |
| 参考文献 | 第55-59页 |
| 攻读学位期间所取得的相关科研成果 | 第59-61页 |
| 致谢 | 第61-62页 |
