智能优化算法在环保数据中的应用研究
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 研究背景与意义 | 第10页 |
| 1.2 研究现状 | 第10-13页 |
| 1.2.1 智能算法研究现状 | 第10-11页 |
| 1.2.2 鲸鱼算法研究现状 | 第11-12页 |
| 1.2.3 智能算法在环保数据中的预测研究现状 | 第12-13页 |
| 1.3 本文主要工作 | 第13页 |
| 1.4 文章组织结构 | 第13-15页 |
| 第2章 鲸鱼算法概述 | 第15-23页 |
| 2.1 智能优化算法 | 第15-16页 |
| 2.1.1 遗传算法 | 第15页 |
| 2.1.2 粒子群算法 | 第15页 |
| 2.1.3 蚁群算法 | 第15-16页 |
| 2.2 BP神经网络 | 第16-18页 |
| 2.2.1 BP神经网络概述 | 第16-17页 |
| 2.2.2 BP神经网络分析 | 第17-18页 |
| 2.3 鲸鱼算法 | 第18-22页 |
| 2.3.1 鲸鱼算法原理 | 第18-20页 |
| 2.3.2 鲸鱼算法分析 | 第20-22页 |
| 2.4 本章小结 | 第22-23页 |
| 第3章 基于自适应权重和柯西变异的鲸鱼优化算法 | 第23-31页 |
| 3.1 柯西变异 | 第23页 |
| 3.2 自适应权重 | 第23-24页 |
| 3.3 自适应权重和柯西变异的鲸鱼算法 | 第24-26页 |
| 3.4 函数测试与结果分析 | 第26-30页 |
| 3.5 本章小结 | 第30-31页 |
| 第4章 基于改进的鲸鱼算法对污染物浓度的预测 | 第31-52页 |
| 4.1 非线性收敛因子 | 第31-35页 |
| 4.1.1 算法改进思路 | 第31-32页 |
| 4.1.2 算法流程和实验结果 | 第32-35页 |
| 4.2 基于改进鲸鱼算法对污染物浓度的预测 | 第35-38页 |
| 4.3 数据处理及参数设置 | 第38-40页 |
| 4.3.1 数据处理 | 第38-39页 |
| 4.3.2 实验参数设置 | 第39-40页 |
| 4.4 基于沈阳市多个站点污染物浓度预测 | 第40-46页 |
| 4.4.1 PM_(2.5) 污染物浓度预测 | 第40-42页 |
| 4.4.2 SO_2污染物浓度预测 | 第42-44页 |
| 4.4.3 PM_(10)污染物浓度预测 | 第44-46页 |
| 4.5 小河沿检测站污染物浓度预测 | 第46-51页 |
| 4.5.1 PM_(2.5) 污染物浓度预测 | 第46-48页 |
| 4.5.2 SO_2污染物浓度预测 | 第48-49页 |
| 4.5.3 PM_(10)污染物浓度预测 | 第49-51页 |
| 4.6 本章小结 | 第51-52页 |
| 结论 | 第52-54页 |
| 参考文献 | 第54-57页 |
| 致谢 | 第57-58页 |
| 攻读硕士期间发表（含录用）的学术论文 | 第58页 |
