| 摘要 | 第1-8页 |
| Abstract | 第8-10页 |
| 第一章 引言 | 第10-18页 |
| ·统计学习理论与支持向量机 | 第10-12页 |
| ·机器学习问题 | 第10页 |
| ·支持向量机(SVM)方法的研究进展 | 第10-12页 |
| ·非线性时间序列 | 第12-16页 |
| ·分析与预报方法简要回顾 | 第12-13页 |
| ·气候系统的动力学—状态永不重复的非平稳过程 | 第13-14页 |
| ·非平稳时间序列的预测问题 | 第14-16页 |
| ·主要研究内容及结论 | 第16-18页 |
| 第二章 支持向量机(SVM)方法简介 | 第18-29页 |
| ·SVM 的基本思想 | 第18页 |
| ·特点及应用展望 | 第18-20页 |
| ·SVM 回归方法简介 | 第20-25页 |
| ·回归分析的问题表述 | 第20-21页 |
| ·求解最优回归超平面 | 第21-24页 |
| ·物理解释 | 第24-25页 |
| ·预测建模思路简介 | 第25页 |
| ·支持向量机建模预报软件平台(CMSVM1.0)简介 | 第25-29页 |
| ·建模平台 | 第26-27页 |
| ·预报平台 | 第27-29页 |
| 第三章 SVM 方法应用于理想时间序列的预测研究 | 第29-40页 |
| ·一个时空混沌时间序列的“发生器”—33模 Lorenz 系统 | 第29-30页 |
| ·建模及预报结果检验 | 第30-37页 |
| ·建立预报模型 | 第30-32页 |
| ·对平稳时间序列的预报结果检验 | 第32-33页 |
| ·对非平稳时间序列的预报结果检验 | 第33-37页 |
| ·与人工神经网络方法预报对比 | 第37页 |
| ·对虫口模型的预报结果检验 | 第37-39页 |
| ·小结 | 第39-40页 |
| 第四章 SVM 方法应用于实际资料的预测研究 | 第40-49页 |
| ·北京地区温度试预报—时间相关 | 第40-43页 |
| ·资料处理及建模 | 第40-41页 |
| ·预报结果检验 | 第41-43页 |
| ·用华北地区温度资料预报北京地区温度—空间相关 | 第43-46页 |
| ·资料处理及建模 | 第43-44页 |
| ·选取不同个数预报因子时的预报误差对比 | 第44-46页 |
| ·印度新德里地区的臭氧浓度试预报 | 第46-48页 |
| ·问题的提出 | 第46页 |
| ·资料处理及建模 | 第46-47页 |
| ·预报结果检验 | 第47-48页 |
| ·小结 | 第48-49页 |
| 第五章 总结与讨论 | 第49-53页 |
| ·总结 | 第49-50页 |
| ·讨论 | 第50-53页 |
| 参考文献 | 第53-58页 |
| 致谢 | 第58页 |