| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 第一章 绪论 | 第7-13页 |
| 1.1 研究背景及意义 | 第7页 |
| 1.2 国内外研究现状 | 第7-11页 |
| 1.2.1 人工蜂群算法国内外研究现状 | 第7-8页 |
| 1.2.2 智能预测方法国内外研究现状 | 第8-11页 |
| 1.3 本文研究内容 | 第11-12页 |
| 1.4 本文结构安排 | 第12-13页 |
| 第二章 相关理论与技术 | 第13-23页 |
| 2.1 引言 | 第13页 |
| 2.2 人工蜂群算法 | 第13-15页 |
| 2.2.1 人工蜂群算法的原理及特点 | 第13-15页 |
| 2.2.2 人工蜂群算法的复杂度分析 | 第15页 |
| 2.3 支持向量机理论 | 第15-22页 |
| 2.3.1 支持向量机概述 | 第15-16页 |
| 2.3.2 机器学习模型 | 第16页 |
| 2.3.3 经验最小化原理 | 第16-17页 |
| 2.3.4 统计学习理论 | 第17-19页 |
| 2.3.5 支持向量机 | 第19-20页 |
| 2.3.6 支持向量机的回归算法 | 第20-22页 |
| 2.4 本章小结 | 第22-23页 |
| 第三章 量子粒子群优化的人工蜂群算法（QPSOABC） | 第23-31页 |
| 3.1 引言 | 第23页 |
| 3.2 改进人工蜂群算法 | 第23-24页 |
| 3.3 仿真实验结果及分析 | 第24-30页 |
| 3.3.1 测试函数选择 | 第24-25页 |
| 3.3.2 实验结果与分析 | 第25-30页 |
| 3.4 本章小结 | 第30-31页 |
| 第四章 QPSOABC优化的支持向量机（QPSOABC-SVM） | 第31-36页 |
| 4.1 引言 | 第31页 |
| 4.2 QPSOABC优化的支持向量机 | 第31-32页 |
| 4.3 实验结果与分析 | 第32-35页 |
| 4.4 本章小结 | 第35-36页 |
| 第五章 基于QPSOABC-SVM的预测模型应用 | 第36-45页 |
| 5.1 预测模型在电能预测中的应用 | 第36-40页 |
| 5.1.1 引言 | 第36页 |
| 5.1.2 电能数据预处理操作 | 第36-37页 |
| 5.1.3 电能预测误差分析 | 第37-39页 |
| 5.1.4 电能预测具体步骤 | 第39页 |
| 5.1.5 预测结果及分析 | 第39-40页 |
| 5.2 预测模型在水质预测中的应用 | 第40-44页 |
| 5.2.2 水质数据预处理 | 第41-42页 |
| 5.2.3 水质预测的误差分析 | 第42页 |
| 5.2.4 水质预测具体步骤 | 第42-43页 |
| 5.2.5 预测结果及分析 | 第43-44页 |
| 5.3 本章小结 | 第44-45页 |
| 第六章 总结与展望 | 第45-47页 |
| 6.1 总结 | 第45页 |
| 6.2 展望 | 第45-47页 |
| 致谢 | 第47-48页 |
| 参考文献 | 第48-51页 |
| 附录：作者在攻读硕士学位期间发表的论文 | 第51页 |