| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 1 绪论 | 第9-14页 |
| ·课题研究背景及意义 | 第9-10页 |
| ·课题研究背景 | 第9-10页 |
| ·研究意义 | 第10页 |
| ·国内外发展现状 | 第10-12页 |
| ·水质预测研究现状 | 第10页 |
| ·本文采用的算法可行性分析 | 第10-12页 |
| ·本文的主要工作和结构安排 | 第12-13页 |
| ·本章小结 | 第13-14页 |
| 2 基于BBO控制变量寻优的SVM水质预测 | 第14-31页 |
| ·基于BBO控制变量寻优的水质预测原理 | 第14-16页 |
| ·生物地理学优化算法 | 第14-15页 |
| ·生物地理学算法的基本原理 | 第15-16页 |
| ·生物地理学的基本操作 | 第16-18页 |
| ·生物地理学算法的基本操作 | 第16-17页 |
| ·生物地理学优化算法流程 | 第17-18页 |
| ·基于BBO控制变量寻优的SVR水质预测 | 第18-23页 |
| ·数据来源 | 第18页 |
| ·SVR核函数选择以及实验参数设置 | 第18页 |
| ·实验 | 第18-23页 |
| ·基于BBO-DE控制变量寻优的SVR水质预测 | 第23-29页 |
| ·BBO-DE算法 | 第23-24页 |
| ·SVR核函数选择以及实验参数设置 | 第24-29页 |
| ·基于BBO控制变量寻优的水质预测GUI界面 | 第29-30页 |
| ·本章小结 | 第30-31页 |
| 3 基于关联向量机回归的水质预测 | 第31-47页 |
| ·关联向量机水质参数预测模型 | 第31-34页 |
| ·关联向量机回归原理 | 第31-33页 |
| ·关联向量机预测置信区间计算 | 第33-34页 |
| ·基于关联向量机的水质参数预测 | 第34-35页 |
| ·关联向量机核函数选择及控制变量设置 | 第34页 |
| ·关联向量机水质预测方法 | 第34-35页 |
| ·实验 | 第35-46页 |
| ·基于关联向量机的水质预测结果 | 第35-41页 |
| ·关联向量机与支持向量机预测结果比较 | 第41-46页 |
| ·基于关联向量机回归的水质预测GUI界面 | 第46页 |
| ·本章小结 | 第46-47页 |
| 4 基于在线贯序极限学习机水质预测 | 第47-55页 |
| ·在线贯序ELM算法原理 | 第47-49页 |
| ·在线贯序ELM算法原理 | 第47-49页 |
| ·在线贯序ELM水质参数预测步骤 | 第49页 |
| ·在线贯序ELM水质预测 | 第49-54页 |
| ·实验参数设置 | 第49-50页 |
| ·在线贯序ELM水质预测结果 | 第50-52页 |
| ·在线序列ELM预测模型与人工神经网络预测模型的比较 | 第52-54页 |
| ·基于在线贯序极限学习机的水质预测GUI界面 | 第54页 |
| ·本章小结 | 第54-55页 |
| 5 基于深度信念网络的水质预测 | 第55-63页 |
| ·深度学习 | 第55页 |
| ·深度信念网络 | 第55-57页 |
| ·受限玻尔兹曼机 | 第55-56页 |
| ·深度信念网络的学习 | 第56-57页 |
| ·实验 | 第57-62页 |
| ·实验参数设置 | 第57-58页 |
| ·实验结果 | 第58-61页 |
| ·基于SVM、RVM、OS-ELM以及DBN四种水质预测模型的比较 | 第61-62页 |
| ·结论 | 第62-63页 |
| 6 总结与展望 | 第63-65页 |
| ·论文工作总结 | 第63-64页 |
| ·研究展望 | 第64-65页 |
| 参考文献 | 第65-69页 |
| 攻读硕士学位期间取得的研究成果 | 第69-70页 |
| 致谢 | 第70-72页 |
| 浙江师范大学学位论文诚信承诺书 | 第72页 |