| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 课题背景和研究的意义 | 第9-11页 |
| 1.1.1 课题背景 | 第9-10页 |
| 1.1.2 研究意义与目的 | 第10-11页 |
| 1.2 国内外的研究现状及发展趋势 | 第11-14页 |
| 1.3 主要研究内容和论文结构 | 第14-15页 |
| 1.3.1 主要研究内容 | 第14页 |
| 1.3.2 论文结构 | 第14-15页 |
| 1.4 本文相关术语与符号 | 第15-17页 |
| 第2章 城市环境空气质量评价 | 第17-22页 |
| 2.1 城市环境空气质量评价的定义 | 第17页 |
| 2.2 城市空气中的主要污染物 | 第17-18页 |
| 2.2.1 氧化碳 | 第17页 |
| 2.2.2 臭氧 | 第17页 |
| 2.2.3 氮氧化物 | 第17-18页 |
| 2.2.4 硫氧化物 | 第18页 |
| 2.2.5 可吸入颗粒物 | 第18页 |
| 2.2.6 细颗粒物 | 第18页 |
| 2.3 城市空气质量的分级 | 第18-20页 |
| 2.4 城市环境空气质量的数据特点 | 第20-21页 |
| 2.5 本章小结 | 第21-22页 |
| 第3章 机器学习及常用分类算法 | 第22-32页 |
| 3.1 机器学习 | 第22-23页 |
| 3.1.1 概念 | 第22页 |
| 3.1.2 原理 | 第22页 |
| 3.1.3 模型 | 第22-23页 |
| 3.2 机器学习的思想学派与分类 | 第23-27页 |
| 3.3 机器学习分类算法的具体过程 | 第27-28页 |
| 3.4 机器学习自动分类算法 | 第28-31页 |
| 3.4.1 支持向量机 | 第28-30页 |
| 3.4.2 朴素贝叶斯 | 第30页 |
| 3.4.3 K最近邻法 | 第30-31页 |
| 3.5 本章小结 | 第31-32页 |
| 第4章 基于随机森林的城市环境空气质量评价 | 第32-39页 |
| 4.1 随机森林的理论基础 | 第32-34页 |
| 4.2 随机森林模型的原理 | 第34-35页 |
| 4.3 随机森林模型中选取的特征变量 | 第35-36页 |
| 4.4 随机森林模型的评价指标 | 第36-37页 |
| 4.5 随机森林模型对城市环境空气质量评价流程 | 第37页 |
| 4.6 本章小结 | 第37-39页 |
| 第5章 实验与结果分析 | 第39-45页 |
| 5.1 实验环境介绍 | 第39页 |
| 5.2 实验样本数据的选择 | 第39-40页 |
| 5.3 训练随机森林模型及分析测试结果 | 第40-41页 |
| 5.4 特征变量的个数选择对随机森林模型性能的影响 | 第41-42页 |
| 5.5 对比多种机器学习评价模型及分析实验结果 | 第42-44页 |
| 5.6 本章小节 | 第44-45页 |
| 第6章 结论 | 第45-47页 |
| 6.1 论文总结 | 第45页 |
| 6.2 论文创新点 | 第45-46页 |
| 6.3 论文展望 | 第46-47页 |
| 参考文献 | 第47-52页 |
| 致谢 | 第52-53页 |
| 攻读学位期间发表的学术论文 | 第53页 |