| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 课题研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状分析 | 第10-14页 |
| 1.2.1 大气污染子网划分及溯源的主流方法 | 第10-12页 |
| 1.2.2 当前方法存在的问题 | 第12-13页 |
| 1.2.3 机器学习和深度学习在城市空气质量分析方面的应用 | 第13-14页 |
| 1.3 主要研究内容 | 第14页 |
| 1.4 论文章节安排 | 第14-17页 |
| 第二章 基于词激活力(WAF)模型的大气污染数据建模 | 第17-25页 |
| 2.1 词激活力模型 | 第17-21页 |
| 2.2 词激活力模型对大气污染数据的建模方法 | 第21-22页 |
| 2.2.1 频度统计方法 | 第21-22页 |
| 2.2.2 污染监测站间激活力和亲和度的计算方法 | 第22页 |
| 2.3 子网划分方法 | 第22-24页 |
| 2.3.1 K-Means聚类 | 第22-23页 |
| 2.3.2 Modularity聚类 | 第23-24页 |
| 2.3.3 聚类算法对比 | 第24页 |
| 2.4 存在问题 | 第24-25页 |
| 第三章 深度置信网络提取污染监测数据特征 | 第25-33页 |
| 3.1 深度置信网络 | 第25-28页 |
| 3.1.1 深度神经网络 | 第25-26页 |
| 3.1.2 限制玻尔兹曼机和深度置信网络 | 第26-28页 |
| 3.2 大气污染数据特征提取及降维 | 第28-30页 |
| 3.3 基于特征向量的聚类 | 第30-33页 |
| 第四章 实验结果及分析 | 第33-59页 |
| 4.1 数据介绍 | 第33-36页 |
| 4.2 数据处理方法 | 第36-40页 |
| 4.2.1 使用词激活力模型建模的数据处理方法 | 第36-40页 |
| 4.2.2 使用深度置信网络进行特征提取的数据处理方法 | 第40页 |
| 4.3 实验结果展示 | 第40-53页 |
| 4.4 实验结果分析 | 第53-55页 |
| 4.5 扩展部分 | 第55-59页 |
| 第五章 总结与展望 | 第59-61页 |
| 5.1 工作总结 | 第59-60页 |
| 5.2 研究展望 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 致谢 | 第65-67页 |
| 作者攻读学位期间发表的学术论文目录 | 第67页 |
