| 提要 | 第1-10页 |
| 第一章 绪论 | 第10-28页 |
| ·研究背景及意义 | 第10-12页 |
| ·目前国内外的研究现状 | 第12-24页 |
| ·水质预测研究现状 | 第12-15页 |
| ·水环境质量综合评价研究现状 | 第15-19页 |
| ·支持向量机算法的发展历史与研究现状 | 第19-24页 |
| ·支持向量机在水质预测与综合评价中应用的可行性分析 | 第24-26页 |
| ·本文研究的主要内容 | 第26-28页 |
| 第二章 统计学习理论与支持向量机概述 | 第28-54页 |
| ·统计学习理论发展概述 | 第29-31页 |
| ·统计学习理论基本概念 | 第29-30页 |
| ·统计学习理论的发展历史 | 第30-31页 |
| ·统计学习理论的基本内容 | 第31-40页 |
| ·机器学习的基本问题 | 第31-36页 |
| ·统计学习理论的核心内容 | 第36-40页 |
| ·支持向量机概述 | 第40-53页 |
| ·广义最优分类面 | 第40-41页 |
| ·线性支持向量机 | 第41-46页 |
| ·非线性支持向量机 | 第46-48页 |
| ·核函数 | 第48-50页 |
| ·标准支持向量回归机 | 第50-53页 |
| ·本章小结 | 第53-54页 |
| 第三章 支持向量机分类方法的基本理论与算法研究 | 第54-76页 |
| ·分类问题的一般描述 | 第55-56页 |
| ·C-支持向量机分类算法及其变形算法 | 第56-61页 |
| ·C-SVM 算法 | 第56-58页 |
| ·C-SVM 的二次松弛变量算法 | 第58-59页 |
| ·BSVM 算法 | 第59-60页 |
| ·无约束的C-SVM 算法 | 第60-61页 |
| ·v - 支持向量机分类算法及其变形算法 | 第61-64页 |
| ·v - SVM 算法 | 第61-63页 |
| ·Bv - SVM 算法 | 第63-64页 |
| ·线性规划形式的支持向量机分类算法 | 第64-65页 |
| ·W-支持向量机分类算法 | 第65-68页 |
| ·加权的C - SVM 算法 | 第65-66页 |
| ·FSVM 算法 | 第66-67页 |
| ·双v-SVM 算法 | 第67-68页 |
| ·LS-支持向量机分类算法 | 第68-69页 |
| ·超球面支持向量机分类算法 | 第69-72页 |
| ·One-class 支持向量机分类算法 | 第70-71页 |
| ·超球面二值分类算法 | 第71-72页 |
| ·各种改进的支持向量机算法的比较 | 第72-74页 |
| ·本章小结 | 第74-76页 |
| 第四章 支持向量回归机的基本理论与算法研究 | 第76-100页 |
| ·支持向量回归机的基本原理简介 | 第77-79页 |
| ·基本思想 | 第77-78页 |
| ·ε- 不敏感损失函数 | 第78-79页 |
| ·ε- 支持向量回归机 | 第79-83页 |
| ·v - 支持向量回归机 | 第83-85页 |
| ·LS - 支持向量回归机 | 第85-87页 |
| ·W - 支持向量回归机 | 第87-89页 |
| ·基于线性规划的支持向量回归机 | 第89-90页 |
| ·单参数约束下的支持向量回归机 | 第90-96页 |
| ·单参数回归模型 | 第90-93页 |
| ·标准与单参数支持向量回归机的约束条件比较 | 第93-94页 |
| ·算法实现与计算实例 | 第94-96页 |
| ·支持向量回归算法中的预测信任度 | 第96-98页 |
| ·本章小结 | 第98-100页 |
| 第五章 支持向量机多值分类方法研究 | 第100-114页 |
| ·基于两值分类的SVM 多值分类方法 | 第100-104页 |
| ·“一对多”方法 | 第101-102页 |
| ·“一对一”方法 | 第102-103页 |
| ·DDAG 多值分类方法 | 第103-104页 |
| ·基于超球面的SVM 多值分类方法 | 第104-109页 |
| ·分类算法 | 第104-107页 |
| ·分解算法 | 第107-108页 |
| ·数值实验 | 第108-109页 |
| ·基于线性规划的SVM 多值分类方法 | 第109-110页 |
| ·二叉树的SVM 多值分类方法 | 第110-113页 |
| ·训练样本的选择方案 | 第110-111页 |
| ·算法实现 | 第111-112页 |
| ·决策方案 | 第112页 |
| ·数值实验 | 第112-113页 |
| ·本章小结 | 第113-114页 |
| 第六章 水质预测的SVR 模型研究 | 第114-130页 |
| ·预测学习方法 | 第115-116页 |
| ·支持向量回归机函数拟合的基本原理 | 第116-117页 |
| ·支持向量回归机的拟合特性分析 | 第117-118页 |
| ·改进的函数拟合与预测方法的研究思路 | 第118-121页 |
| ·改进的加权支持向量回归机 | 第118-120页 |
| ·算法实现 | 第120页 |
| ·数值实验 | 第120-121页 |
| ·水质预测的SVR 模型研究 | 第121-124页 |
| ·应用实例 | 第124-127页 |
| ·预测模型的参数选择与训练 | 第125页 |
| ·预测结果分析 | 第125-127页 |
| ·本章小结 | 第127-130页 |
| 第七章 基于SVM 的水环境质量综合评价方法研究 | 第130-146页 |
| ·改进SVM 多值分类方法的提出 | 第130-137页 |
| ·训练样本的选择方案 | 第131-132页 |
| ·算法实现 | 第132页 |
| ·支持向量机的训练方案 | 第132-133页 |
| ·预抽取两类样本的相对边界向量 | 第133-134页 |
| ·训练支持向量机的循环迭代方案 | 第134-135页 |
| ·支持向量机多值分类的决策方案 | 第135-136页 |
| ·实施步骤 | 第136-137页 |
| ·北京市湖泊水库的SVM 综合评价 | 第137-145页 |
| ·北京市水资源概况 | 第137-138页 |
| ·水质评价指标 | 第138-139页 |
| ·水质评价标准 | 第139-141页 |
| ·评价方法的选择 | 第141页 |
| ·SVM 综合评价 | 第141-145页 |
| ·本章小结 | 第145-146页 |
| 第八章 总结与展望 | 第146-152页 |
| ·全文总结 | 第146-149页 |
| ·存在的问题和研究前景展望 | 第149-152页 |
| 参考文献 | 第152-167页 |
| 攻读博士期间发表的学术论文及参加的主要科研项目 | 第167-168页 |
| 致谢 | 第168-169页 |
| 摘要 | 第169-173页 |
| ABSTRACT | 第173-177页 |