| 摘要 | 第1-5页 |
| Abstract | 第5-10页 |
| 注释表 | 第10-11页 |
| 缩略词 | 第11-12页 |
| 第一章 绪论 | 第12-18页 |
| ·课题来源与研究意义 | 第12-14页 |
| ·研究背景 | 第12-13页 |
| ·课题来源 | 第13页 |
| ·研究目的与意义 | 第13-14页 |
| ·国内外研究现状分析 | 第14-16页 |
| ·机场噪声预测研究现状 | 第14-15页 |
| ·增量预测方法研究现状 | 第15-16页 |
| ·本文研究内容及结构安排 | 第16-18页 |
| ·本文研究内容 | 第16页 |
| ·本文结构安排 | 第16-18页 |
| 第二章 支持向量回归机 | 第18-29页 |
| ·机器学习 | 第18-19页 |
| ·机器学习形式 | 第18-19页 |
| ·经验风险最小化 | 第19页 |
| ·统计学习理论 | 第19-23页 |
| ·学习过程的一致性 | 第20-21页 |
| ·VC维与推广性的界 | 第21-22页 |
| ·结构风险最小化 | 第22-23页 |
| ·支持向量回归机 | 第23-28页 |
| ·线性支持向量回归机 | 第23-26页 |
| ·非线性支持向量回归机 | 第26-27页 |
| ·核函数 | 第27页 |
| ·支持向量 | 第27-28页 |
| ·本章小结 | 第28-29页 |
| 第三章 基于信念修正思想的冗余数据约减方法 | 第29-40页 |
| ·信念修正的AGM理论 | 第29-30页 |
| ·信念逻辑 | 第29页 |
| ·信念修正的概念 | 第29页 |
| ·信念修正的AGM理论 | 第29-30页 |
| ·冗余数据约减的传统方法 | 第30-32页 |
| ·基于模型预测精度的数据约减方法 | 第31页 |
| ·基于模型支持度的数据约减方法 | 第31页 |
| ·基于滑动窗口的数据约减方法 | 第31-32页 |
| ·基于样本多样性的数据约减方法 | 第32页 |
| ·基于AGM理论的冗余数据的抓取 | 第32-37页 |
| ·一致性原则 | 第33-35页 |
| ·新消息优先原则 | 第35-36页 |
| ·最小改变原则 | 第36-37页 |
| ·冗余数据的处理 | 第37-39页 |
| ·本章小结 | 第39-40页 |
| 第四章 机场噪声预测SVR在线增量模型 | 第40-49页 |
| ·基于样本相似性度量的机场噪声预测SVR在线增量模型 | 第40-44页 |
| ·样本相似性度量 | 第40-42页 |
| ·误差驱动 | 第42-43页 |
| ·样本标记 | 第43页 |
| ·模型容错率 | 第43-44页 |
| ·算法流程图及预测步骤 | 第44-45页 |
| ·算法流程图 | 第44-45页 |
| ·预测步骤 | 第45页 |
| ·实验及结果分析 | 第45-48页 |
| ·标准数据集对比试验 | 第45-46页 |
| ·机场噪声中的应用 | 第46-48页 |
| ·本章小结 | 第48-49页 |
| 第五章 机场噪声预测SVR批增量模型 | 第49-59页 |
| ·基于样本不一致性度量的机场噪声预测SVR批增量模型 | 第49-54页 |
| ·样本不一致性 | 第49-50页 |
| ·相似样本集的构造 | 第50-53页 |
| ·增量过程样本集的更新 | 第53-54页 |
| ·算法流程图及预测步骤 | 第54-55页 |
| ·算法流程图 | 第54页 |
| ·预测步骤 | 第54-55页 |
| ·实验及结果分析 | 第55-58页 |
| ·标准数据集对比试验 | 第55-57页 |
| ·机场噪声中的应用 | 第57-58页 |
| ·本章小结 | 第58-59页 |
| 第六章 总结与展望 | 第59-61页 |
| ·总结 | 第59页 |
| ·展望 | 第59-61页 |
| 参考文献 | 第61-65页 |
| 致谢 | 第65-67页 |
| 在学期间的研究成果及发表的学术论文 | 第67页 |