| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 1 绪论 | 第8-20页 |
| 1.1 研究背景及意义 | 第8-10页 |
| 1.1.1 研究背景 | 第8-9页 |
| 1.1.2 研究目的与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-17页 |
| 1.2.1 水质预测的研究现状 | 第10-13页 |
| 1.2.2 水质评价的研究现状 | 第13-17页 |
| 1.3 PLS 与 SVM 在水质评价与预测中的应用 | 第17-18页 |
| 1.3.1 PLS 在水质评价与预测中的应用 | 第17页 |
| 1.3.2 SVM 在水质评价与预测中的应用 | 第17-18页 |
| 1.4 本文的结构安排 | 第18-20页 |
| 2 偏最小二乘法与支持向量机 | 第20-36页 |
| 2.1 统计分析理论 | 第20-24页 |
| 2.1.1 多元线性回归模型 | 第20-21页 |
| 2.1.2 最小二乘多元回归 | 第21页 |
| 2.1.3 多重相关性分析 | 第21-22页 |
| 2.1.4 主成分分析 | 第22-23页 |
| 2.1.5 典型相关分析 | 第23-24页 |
| 2.2 偏最小二乘法概述 | 第24-26页 |
| 2.2.1 偏最小二乘法 | 第24-26页 |
| 2.2.2 交叉有效性验证 | 第26页 |
| 2.3 统计学习理论 | 第26-30页 |
| 2.3.1 机器学习 | 第26-28页 |
| 2.3.2 统计学习理论 | 第28-30页 |
| 2.4 支持向量机概述 | 第30-34页 |
| 2.4.1 核函数 | 第30-31页 |
| 2.4.2 支持向量机分类机 | 第31-32页 |
| 2.4.3 支持向量回归机 | 第32-34页 |
| 2.5 本章小结 | 第34-36页 |
| 3 改进的粒子群算法及其应用 | 第36-44页 |
| 3.1 支持向量机的参数优化 | 第36-39页 |
| 3.1.1 网格搜索法 | 第37页 |
| 3.1.2 遗传算法 | 第37-39页 |
| 3.2 粒子群算法 | 第39-41页 |
| 3.3 改进的 PSO 及其性能研究 | 第41页 |
| 3.4 改进的粒子群算法在 SVM 参数优化中的应用 | 第41-43页 |
| 3.5 本章小结 | 第43-44页 |
| 4 基于综合历史信息与 PLS-SVM 的水质预测研究 | 第44-58页 |
| 4.1 水质因子间相关性分析 | 第44-47页 |
| 4.1.1 主要水质指标及其含义 | 第44页 |
| 4.1.2 水质数据的相关性分析 | 第44-47页 |
| 4.2 基于综合历史信息与 PLS-SVM 的水质预测模型 | 第47页 |
| 4.3 PLS-SVM 水质预测模型与算法流程 | 第47-50页 |
| 4.4 实验仿真与数据分析 | 第50-56页 |
| 4.4.1 实验仿真 | 第50-55页 |
| 4.4.2 数据分析 | 第55-56页 |
| 4.5 本章小结 | 第56-58页 |
| 5 基于 PLS-SVM 的水质评价方法研究 | 第58-68页 |
| 5.1 水质评价体系的建立 | 第58-59页 |
| 5.2 基于 PLS-SVM 的水质评价模型 | 第59-62页 |
| 5.3 仿真实验及结果分析 | 第62-67页 |
| 5.4 本章小结 | 第67-68页 |
| 6 总结与展望 | 第68-70页 |
| 6.1 工作总结 | 第68-69页 |
| 6.2 后续展望 | 第69-70页 |
| 致谢 | 第70-72页 |
| 参考文献 | 第72-76页 |
| 附录一 | 第76-78页 |
| A. 作者在攻读硕士学位期间发表的论文目录 | 第76页 |
| B. 作者在攻读硕士学位期间参加的科研项目及得奖情况 | 第76-78页 |
| 附录二 | 第78页 |
