| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 课题研究背景与意义 | 第9-10页 |
| 1.2 研究现状 | 第10-13页 |
| 1.2.1 机场噪声预测 | 第10-11页 |
| 1.2.2 机器学习 | 第11-13页 |
| 1.3 主要研究内容 | 第13-15页 |
| 1.4 章节安排 | 第15-16页 |
| 第二章 集成学习基础及相关理论 | 第16-28页 |
| 2.1 集成学习基础 | 第16-23页 |
| 2.1.1 集成学习的概念、作用及有效性 | 第16-18页 |
| 2.1.2 集成学习的主要算法 | 第18-21页 |
| 2.1.3 观察学习 | 第21-23页 |
| 2.2 神经网络模型 | 第23-25页 |
| 2.3 支持向量回归模型 | 第25-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第三章 机场噪声关联分析集成预测方法 | 第28-39页 |
| 3.1 机场噪声影响因素 | 第28-29页 |
| 3.2 关联分析机场噪声集成预测流程 | 第29-30页 |
| 3.3 基学习器的生成 | 第30-32页 |
| 3.3.1 基于空间拟合的基学习器的构建 | 第30-31页 |
| 3.3.2 基于神经网络的基学习器的构建 | 第31-32页 |
| 3.4 基学习器的集成 | 第32页 |
| 3.5 实验与分析 | 第32-38页 |
| 3.6 本章小结 | 第38-39页 |
| 第四章 基于卡尔曼滤波优化的机场噪声时间序列预测方法 | 第39-50页 |
| 4.1 时间序列的构建 | 第39-41页 |
| 4.2 基于支持向量回归机的时间序列预测模型 | 第41-42页 |
| 4.3 基于卡尔曼滤波优化的机场噪声预测方法 | 第42-44页 |
| 4.3.1 卡尔曼滤波 | 第43-44页 |
| 4.3.2 基于卡尔曼滤波优化的机场噪声预测方法 | 第44页 |
| 4.4 实验与分析 | 第44-49页 |
| 4.5 本章小结 | 第49-50页 |
| 第五章 基于观察学习的机场噪声异构集成模型 | 第50-61页 |
| 5.1 关联分析方法与时间序列方法的相关性 | 第50-52页 |
| 5.2 基于观察学习的机场噪声异构集成预测模型 | 第52-55页 |
| 5.2.1 异构集成预测模型的流程 | 第52-53页 |
| 5.2.2 反向观察学习 | 第53-54页 |
| 5.2.3 异构集成预测模型的构建 | 第54-55页 |
| 5.3 实验与分析 | 第55-60页 |
| 5.4 本章小结 | 第60-61页 |
| 第六章 结束语 | 第61-63页 |
| 6.1 工作总结 | 第61-62页 |
| 6.2 展望 | 第62-63页 |
| 参考文献 | 第63-66页 |
| 致谢 | 第66-67页 |
| 作者简介 | 第67页 |