| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 课题研究意义与背景 | 第9-10页 |
| 1.2 灾害预测基本方法和步骤 | 第10-11页 |
| 1.3 国内外研究现状 | 第11-16页 |
| 1.3.1 粒子群算法的理论应用与研究现状 | 第14-15页 |
| 1.3.2 神经网络的理论应用与研究现状 | 第15页 |
| 1.3.3 支持向量机的理论应用与研究现状 | 第15-16页 |
| 1.4 本文的内容安排 | 第16-17页 |
| 第二章 用于灾害预测的理论基础 | 第17-33页 |
| 2.1 统计学习理论 | 第17-22页 |
| 2.1.1 机器机器学习问题 | 第17-19页 |
| 2.1.2 经验风险最小化原则 | 第19页 |
| 2.1.3 VC维 | 第19-20页 |
| 2.1.4 推广性的界 | 第20-21页 |
| 2.1.5 结构风险最小化原则 | 第21-22页 |
| 2.2 支持向量机简介 | 第22-23页 |
| 2.3 核函数简介 | 第23-24页 |
| 2.4 构造标准支持向量机 | 第24-28页 |
| 2.5 粒子群算法 | 第28-30页 |
| 2.5.1 PSO算法描述 | 第28页 |
| 2.5.2 PSO算法原理 | 第28-30页 |
| 2.6 神经网络 | 第30-32页 |
| 2.6.1 神经网络算法描述 | 第30页 |
| 2.6.2 神经网络算法原理与优点 | 第30-32页 |
| 2.7 本章小结 | 第32-33页 |
| 第三章 KSVM预测模型及参数优化 | 第33-46页 |
| 3.1 ksvm预测模型的建立 | 第33-36页 |
| 3.1.1 最优超平面 | 第33-35页 |
| 3.1.2 最优超平面 | 第35-36页 |
| 3.2 核函数 | 第36页 |
| 3.3 非线性支持向量回归机 | 第36-37页 |
| 3.4 核函数的选取与参数优化 | 第37-38页 |
| 3.5 仿真实验 | 第38-44页 |
| 3.5.1 样本数据的来源与预处理 | 第39页 |
| 3.5.2 农业受灾数据选取及预处理 | 第39-41页 |
| 3.5.3 SVM模型预测实验与核心代码 | 第41-42页 |
| 3.5.4 BP神经网络预测实验与核心代码 | 第42-44页 |
| 3.6 结果与对比分析 | 第44-45页 |
| 3.7 存在的问题分析 | 第45页 |
| 3.8 本章小结 | 第45-46页 |
| 第四章 基于PSO-KSVM的湘中农业灾情预测方法 | 第46-54页 |
| 4.1 湘中农业受灾情况分析 | 第46-47页 |
| 4.2 PSO-KSVM预测模型的建立 | 第47-49页 |
| 4.2.1 样本数据的来源与预处理 | 第47页 |
| 4.2.2 核函数的选取与粒子群优化支持向量机参数 | 第47-49页 |
| 4.3 PSO的编码与适应度的选择 | 第49页 |
| 4.4 仿真实验 | 第49-51页 |
| 4.4.1 实验环境 | 第49页 |
| 4.4.2 PSO-KSVM的关键代码 | 第49-51页 |
| 4.5 实验结果 | 第51-52页 |
| 4.6 结果与对比分析 | 第52-53页 |
| 4.7 本章小结 | 第53-54页 |
| 第五章 总结与展望 | 第54-55页 |
| 5.1 本文总结 | 第54页 |
| 5.2 展望 | 第54-55页 |
| 参考文献 | 第55-61页 |
| 致谢 | 第61-62页 |
| 作者简介 | 第62-63页 |
| 在读期间科研成果目录 | 第63页 |