| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第7-14页 |
| 1.1 研究背景与意义 | 第7页 |
| 1.2 PM_(2.5)国内外研究现状 | 第7-12页 |
| 1.2.1 PM_(2.5)来源与特征研究 | 第8-9页 |
| 1.2.2 PM_(2.5)预测研究 | 第9-11页 |
| 1.2.3 支持向量机在大气污染物预测中的应用 | 第11-12页 |
| 1.3 本文的研究成果 | 第12-14页 |
| 第二章 支持向量回归方法概述 | 第14-23页 |
| 2.1 支持向量机基本问题 | 第14页 |
| 2.2 支持向量回归(SVR)理论基础 | 第14-19页 |
| 2.2.1 线性回归下的SVR形式推导 | 第14-17页 |
| 2.2.2 SVR的非线性变换 | 第17-19页 |
| 2.3 在线支持向量回归方法概述 | 第19-23页 |
| 2.3.1 KKT条件与样本划分 | 第19-21页 |
| 2.3.2 OSVR算法流程 | 第21-23页 |
| 第三章 基于SVR与时间序列模型的PM_(2.5)预测探究 | 第23-37页 |
| 3.1 时间序列及其预测方法 | 第23-25页 |
| 3.1.1 时间序列基本问题 | 第23-24页 |
| 3.1.2 时间序列嵌入维度计算 | 第24-25页 |
| 3.2 经验模态分解方法 | 第25-27页 |
| 3.2.1 本征模态函数(IMF) | 第26页 |
| 3.2.2 经验模态分解算法 | 第26-27页 |
| 3.3 用于PM_(2.5)浓度预测的EMD-SVR时间序列模型 | 第27-36页 |
| 3.3.1 模型描述 | 第27-28页 |
| 3.3.2 数据选取及方法 | 第28-29页 |
| 3.3.3 EMD-SVR预测结果与讨论 | 第29-36页 |
| 3.4 本章小结 | 第36-37页 |
| 第四章 基于SVR的PM_(2.5)相关性研究 | 第37-55页 |
| 4.1 基于SVR的相关性计算 | 第37-40页 |
| 4.2 实验内容 | 第40-51页 |
| 4.2.1 数据与结果 | 第40-50页 |
| 4.2.2 结果讨论 | 第50-51页 |
| 4.3 基于相关性分析的PM2.S浓度预测研究 | 第51-54页 |
| 4.4 本章小结 | 第54-55页 |
| 第五章 基于改进网格搜索算法与在线支持向量回归的PM_(2.5)预测研究 | 第55-68页 |
| 5.1 SVR参数选择 | 第55-59页 |
| 5.1.1 参数选择对SVR预测结果的影响 | 第56-58页 |
| 5.1.2 网格搜索法 | 第58-59页 |
| 5.2 改进的网格搜索算法对SVR参数寻优的应用 | 第59-64页 |
| 5.2.1 改进的网格搜索算法描述 | 第59-62页 |
| 5.2.2 改进的网格搜索算法实验结果 | 第62-64页 |
| 5.3 OSVR方法对PM_(2.5)的预测应用研究 | 第64-67页 |
| 5.3.1 OSVR与SVR方法训练时间比较 | 第64-66页 |
| 5.3.2 OSVR与SVR方法预测精度比较 | 第66-67页 |
| 5.4 本章小结 | 第67-68页 |
| 第六章 总结与展望 | 第68-70页 |
| 6.1 本文总结 | 第68-69页 |
| 6.2 展望 | 第69-70页 |
| 参考文献 | 第70-75页 |
| 致谢 | 第75-76页 |
| 作者简介 | 第76页 |
