| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 LSSVR算法的稀疏性研究现状 | 第10-11页 |
| 1.2.2 LSSVR算法的鲁棒性研究现状 | 第11页 |
| 1.2.3 LSSVR算法的参数优化研究现状 | 第11-12页 |
| 1.3 研究内容及创新 | 第12-13页 |
| 1.4 论文的组织结构 | 第13-15页 |
| 2 基础理论与相关知识 | 第15-27页 |
| 2.1 统计学习理论 | 第15-17页 |
| 2.1.1 经验风险最小化原则及VC维 | 第15-16页 |
| 2.1.2 结构风险最小化原则(SRM) | 第16-17页 |
| 2.2 支持向量机 | 第17-23页 |
| 2.2.1 线性可分支持向量分类机 | 第18-19页 |
| 2.2.2 线性不可分支持向量分类机 | 第19-20页 |
| 2.2.3 非线性支持向量分类机及核函数 | 第20-21页 |
| 2.2.4 支持向量回归机 | 第21-23页 |
| 2.3 最小二乘支持向量回归机 | 第23-25页 |
| 2.4 粒子群算法 | 第25-27页 |
| 3 基于改进粒子群的DIRLSSVR算法 | 第27-37页 |
| 3.1 基于密度迭代的稀疏LSSVR | 第27-31页 |
| 3.2 基于IGGⅢ权函数的鲁棒LSSVR | 第31-33页 |
| 3.3 基于改进粒子群的LSSVR参数优化 | 第33-35页 |
| 3.4 本章小结 | 第35-37页 |
| 4 实验及结果分析 | 第37-47页 |
| 4.1 实验平台介绍 | 第37页 |
| 4.2 数据描述与预处理 | 第37-38页 |
| 4.3 实验内容与分析 | 第38-45页 |
| 4.3.1 基于DIRLSSVR模型的稀疏性验证 | 第38-40页 |
| 4.3.2 基于IGGⅢ权函数的LSSVR鲁棒性验证 | 第40-42页 |
| 4.3.3 改进粒子群算法的参数寻优能力验证 | 第42-45页 |
| 4.4 本章小结 | 第45-47页 |
| 5 基于改进粒子群的DIRLSSVR算法在空气质量预测中的应用 | 第47-53页 |
| 5.1 数据描述与预处理 | 第47-49页 |
| 5.2 实验结果与分析 | 第49-52页 |
| 5.3 本章小结 | 第52-53页 |
| 6 总结与展望 | 第53-55页 |
| 6.1 研究总结 | 第53-54页 |
| 6.2 研究前景及展望 | 第54-55页 |
| 参考文献 | 第55-58页 |
| 附录 | 第58-60页 |
| 攻读学位期间取得的研究成果 | 第60-61页 |
| 致谢 | 第61-63页 |