用SVM回归实验对大气污染数据的处理研究
| 内容摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第10-20页 |
| 1.1 研究背景及意义 | 第10-13页 |
| 1.1.1 研究背景 | 第10-11页 |
| 1.1.2 研究意义 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.2.1 SVM的研究现状 | 第13-14页 |
| 1.2.2 大气污染的研究现状 | 第14-16页 |
| 1.3 研究内容与方法 | 第16-17页 |
| 1.3.1 研究内容 | 第16-17页 |
| 1.3.2 研究方法 | 第17页 |
| 1.4 研究思路与框架 | 第17-18页 |
| 1.4.1 研究思路 | 第17-18页 |
| 1.4.2 研究框架 | 第18页 |
| 1.5 本文创新点 | 第18-20页 |
| 第2章 大气污染数据研究 | 第20-31页 |
| 2.1 自然状况下大气的结构和污染如何发生 | 第20-22页 |
| 2.2 基于大气污染空气指数的计算方法 | 第22-25页 |
| 2.2.1 空气质量指数的划分 | 第22-24页 |
| 2.2.2 空气指数的计算方法 | 第24-25页 |
| 2.3 大气污染数据的统计分析 | 第25-28页 |
| 2.4 大气污染应用中的模型 | 第28-30页 |
| 2.5 现有大气污染数据研究的不足 | 第30-31页 |
| 第3章 支持向量机算法 | 第31-41页 |
| 3.1 线性分类器 | 第31-34页 |
| 3.1.1 最优分类面 | 第31-33页 |
| 3.1.2 广义最优分类超平面 | 第33-34页 |
| 3.2 分类支持向量机 | 第34-36页 |
| 3.2.1 高维空间中的推广 | 第34-35页 |
| 3.2.2 核函数 | 第35-36页 |
| 3.3 回归支持向量机 | 第36-41页 |
| 3.3.1 线性支持向量回归机 | 第36-39页 |
| 3.3.2 非线性支持向量回归机 | 第39-41页 |
| 第4章 粒子群算法 | 第41-45页 |
| 4.1 粒子群算法的基本形式 | 第41-42页 |
| 4.2 标准粒子群算法 | 第42-43页 |
| 4.3 粒子群算法中的参数 | 第43页 |
| 4.4 大气污染数据分析的设计思想 | 第43-45页 |
| 第5章 SVM在大气污染中的应用 | 第45-56页 |
| 5.1 引言 | 第45页 |
| 5.2 大气污染数据的获取 | 第45-46页 |
| 5.3 大气污染数据的预处理 | 第46-47页 |
| 5.4 PSO结合SVM的优化 | 第47-51页 |
| 5.4.1 回归支持向量机 | 第47-49页 |
| 5.4.2 基于粒子群算法的SVM算法优化参数 | 第49-51页 |
| 5.5 SVM实现大气污染数据研究 | 第51-56页 |
| 5.5.1 实验流程图 | 第51页 |
| 5.5.2 实验结果及分析 | 第51-56页 |
| 第6章 总结与展望 | 第56-58页 |
| 6.1 总结 | 第56-57页 |
| 6.2 展望 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 后记 | 第62页 |
