| 摘要 | 第1-5页 |
| ABSTRACT | 第5-11页 |
| 第一章 绪论 | 第11-16页 |
| ·课题背景 | 第11页 |
| ·航空运量预测发展现状及存在的问题 | 第11-13页 |
| ·支持向量机的研究现状 | 第13-14页 |
| ·研究意义 | 第14-15页 |
| ·主要内容及论文结构 | 第15-16页 |
| 第二章 航段运量预测方法研究 | 第16-29页 |
| ·传统的航段运量预测方法 | 第16-18页 |
| ·时间序列预测法 | 第16-17页 |
| ·灰色预测方法 | 第17页 |
| ·组合预测法 | 第17-18页 |
| ·神经网络预测方法 | 第18-23页 |
| ·神经元模型 | 第18-19页 |
| ·RBF 神经网络 | 第19-22页 |
| ·神经网络预测方法的评价 | 第22-23页 |
| ·RBF 神经网络预测模型的建立与仿真实例 | 第23-28页 |
| ·神经网络预测建模步骤 | 第23-24页 |
| ·RBF 神经网络建模 | 第24-25页 |
| ·仿真实例及结果分析 | 第25-28页 |
| ·本章小结 | 第28-29页 |
| 第三章 支持向量机理论 | 第29-42页 |
| ·支持向量机理论基础 | 第29-32页 |
| ·VC 维 | 第29-30页 |
| ·期望风险 | 第30-31页 |
| ·结构风险最小化 | 第31-32页 |
| ·支持向量机原理 | 第32-33页 |
| ·支持向量机回归 | 第33-39页 |
| ·损失函数 | 第34-35页 |
| ·线性支持向量机回归 | 第35-36页 |
| ·非线性支持向量机回归 | 第36-38页 |
| ·核函数 | 第38-39页 |
| ·最小二乘支持向量机 | 第39-40页 |
| ·本章小结 | 第40-42页 |
| 第四章 基于SVM 的航段运量预测模型的设计与实现 | 第42-55页 |
| ·支持向量机预测模型的设计 | 第42-50页 |
| ·样本的采集与预处理 | 第42-44页 |
| ·核函数的选择 | 第44-45页 |
| ·模型参数选择算法 | 第45-48页 |
| ·模型评价方法 | 第48-49页 |
| ·学习算法 | 第49-50页 |
| ·支持向量机预测模型的仿真实例 | 第50-54页 |
| ·样本的采集及预处理 | 第51页 |
| ·核函数及参数的选择 | 第51-52页 |
| ·预测结果及分析 | 第52-54页 |
| ·本章小结 | 第54-55页 |
| 第五章 基于SVM 的航段运量预测系统实现 | 第55-63页 |
| ·系统总体框架 | 第55-56页 |
| ·市场预测模块 | 第56-59页 |
| ·程序实现 | 第59-60页 |
| ·相关界面 | 第60-62页 |
| ·本章小结 | 第62-63页 |
| 第六章 总结与展望 | 第63-65页 |
| ·论文总结 | 第63页 |
| ·研究展望 | 第63-65页 |
| 参考文献 | 第65-68页 |
| 致谢 | 第68-69页 |
| 在校期间的学术成果 | 第69页 |