| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第8-16页 |
| 1.1 研究背景和意义 | 第8-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 数值预报方法 | 第10-11页 |
| 1.2.2 统计学方法 | 第11-13页 |
| 1.2.3 存在不足 | 第13页 |
| 1.3 研究内容和方法 | 第13-14页 |
| 1.4 论文组织结构 | 第14-16页 |
| 第二章 基于统计学方法的概述 | 第16-24页 |
| 2.1 多元回归分析的基本原理 | 第16-17页 |
| 2.2 支持向量机(SVM)的基本原理 | 第17-21页 |
| 2.3 支持向量回归(SVR)的基本原理 | 第21-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第三章 多元逐步与概率混合回归法在霾预报中的应用 | 第24-37页 |
| 3.1 前言 | 第24页 |
| 3.2 多元逐步回归与概率混合回归法 | 第24-29页 |
| 3.2.1 多元逐步回归法 | 第24-27页 |
| 3.2.2 概率回归法 | 第27页 |
| 3.2.3 因子的剔除与引进 | 第27-28页 |
| 3.2.4 交叉验证法 | 第28-29页 |
| 3.3 多元逐步与概率混合回归预报模型建立 | 第29-31页 |
| 3.4 实验结果 | 第31-36页 |
| 3.4.1 实验平台和资料 | 第31-32页 |
| 3.4.2 实验结果分析 | 第32-36页 |
| 3.5 本章小结 | 第36-37页 |
| 第四章 基于时间序列与SVR的霾预报方法 | 第37-55页 |
| 4.1 前言 | 第37页 |
| 4.2 时间序列的预测原理 | 第37-40页 |
| 4.2.1 时间序列的基本问题 | 第37-38页 |
| 4.2.2 混沌时间序列的相空间重构 | 第38-40页 |
| 4.3 EMD方法 | 第40-42页 |
| 4.3.1 EMD基本原理 | 第40页 |
| 4.3.2 EMD的分解过程 | 第40-42页 |
| 4.4 基于EMD-SVR的时间序列霾预报模型 | 第42-54页 |
| 4.4.1 EMD-SVR基本原理 | 第42页 |
| 4.4.2 实验资料和平台 | 第42-43页 |
| 4.4.3 EMD-SVR时间序列霾预报模型 | 第43-44页 |
| 4.4.4 EMD-SVR实验结果分析 | 第44-53页 |
| 4.4.5 与多元逐步和概率混合回归霾预报对比结果分析 | 第53-54页 |
| 4.5 本章小结 | 第54-55页 |
| 第五章 基于改进在线支持向量回归的霾预报方法 | 第55-69页 |
| 5.1 前言 | 第55页 |
| 5.2 基于改进Online SVR霾预报模型 | 第55-62页 |
| 5.2.1 在线支持向量回归 | 第55-57页 |
| 5.2.2 基于矩阵迭代更新的边界支持向量 | 第57-59页 |
| 5.2.3 基于混沌粒子群算法的Online SVR参数优选 | 第59-61页 |
| 5.2.4 在线支持向量回归霾预报模型 | 第61-62页 |
| 5.3 实验结果 | 第62-67页 |
| 5.3.1 实验资料和平台 | 第62-63页 |
| 5.3.2 预报因子选取 | 第63页 |
| 5.3.3 实验结果分析 | 第63-67页 |
| 5.4 本章小结 | 第67-69页 |
| 第六章 总结与展望 | 第69-71页 |
| 6.1 本文总结 | 第69-70页 |
| 6.2 展望 | 第70-71页 |
| 参考文献 | 第71-76页 |
| 致谢 | 第76-77页 |
| 作者简介 | 第77页 |