基于集成算法的空气质量预测
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.2.1 空气质量研究现状 | 第10-11页 |
| 1.2.2 软测量技术的发展及应用 | 第11-13页 |
| 1.2.3 集成算法的发展及应用 | 第13-14页 |
| 1.3 本文主要内容 | 第14-15页 |
| 第二章 评价和预测理论方法 | 第15-23页 |
| 2.1 概述 | 第15页 |
| 2.2 空气质量评价模型 | 第15-19页 |
| 2.2.1 模糊数学评价模型 | 第15-16页 |
| 2.2.2 密切值法评价模型 | 第16-18页 |
| 2.2.3 物元分析法模型 | 第18-19页 |
| 2.3 环境质量预测模型 | 第19-23页 |
| 2.3.1 PIC预测模型 | 第19-20页 |
| 2.3.2 灰色理论模型 | 第20-21页 |
| 2.3.3 神经网络模型 | 第21-23页 |
| 第三章 天津市空气环境质量评价 | 第23-37页 |
| 3.1 自然条件 | 第23-24页 |
| 3.2 天津市污染源现状 | 第24页 |
| 3.3 天津市空气质量变化历程 | 第24-27页 |
| 3.4 空气质量指数划分 | 第27-29页 |
| 3.5 改进的模糊数学评价模型 | 第29-34页 |
| 3.5.1 模型的基本构架 | 第29-30页 |
| 3.5.2 模型的隶属度计算 | 第30-32页 |
| 3.5.3 评价结果 | 第32-34页 |
| 3.6 本章小结 | 第34-37页 |
| 第四章 空气质量预测方法 | 第37-53页 |
| 4.1 软测量技术介绍 | 第37-39页 |
| 4.1.1 机理分析和辅助变量的选择 | 第38页 |
| 4.1.2 软测量数据采集和处理 | 第38-39页 |
| 4.1.3 软测量的模型辨识与验证 | 第39页 |
| 4.2 基于软测量方法的空气质量预报 | 第39-46页 |
| 4.2.1 BP神经网络 | 第40-43页 |
| 4.2.2 AdaBoost集成算法 | 第43-44页 |
| 4.2.3 AdaBoost.BT集成算法 | 第44-46页 |
| 4.3 实验仿真与分析 | 第46-51页 |
| 4.3.1 建立各个污染物之间的关系 | 第47-48页 |
| 4.3.2 空气中苯浓度的预报模型 | 第48-51页 |
| 4.4 天津市主要污染物的预测 | 第51-53页 |
| 第五章 多维空气质量预测 | 第53-61页 |
| 5.1 自适应多维AdaBoost | 第53-57页 |
| 5.1.1 ELM极限学习机 | 第53-55页 |
| 5.1.2 自适应多维AdaBoost | 第55-57页 |
| 5.2 实验结果及分析 | 第57-61页 |
| 5.2.1 确定重要参数 | 第57-58页 |
| 5.2.2 实验结果 | 第58-61页 |
| 第六章 总结与展望 | 第61-63页 |
| 6.1 总结 | 第61页 |
| 6.2 展望 | 第61-63页 |
| 参考文献 | 第63-69页 |
| 发表论文和参加科研情况说明 | 第69-71页 |
| 致谢 | 第71页 |
