支持向量机算法研究及在气象数据挖掘中的应用
| 摘要 | 第1页 |
| Abstract | 第5-6页 |
| 详细摘要 | 第6-15页 |
| 1 绪论 | 第15-25页 |
| ·引言 | 第15-19页 |
| ·数值预报方法 | 第15-17页 |
| ·气象数据挖掘 | 第17-19页 |
| ·国内外研究现状 | 第19-21页 |
| ·气象数据挖掘研究 | 第19-20页 |
| ·支持向量机在气象数据挖掘中的应用现状 | 第20-21页 |
| ·目标与内容 | 第21-22页 |
| ·论文结构 | 第22-25页 |
| 2 统计学习理论与支持向量机 | 第25-49页 |
| ·引言 | 第25-26页 |
| ·统计学习理论概述 | 第26-30页 |
| ·学习问题的表示 | 第26-28页 |
| ·学习过程一致性的描述 | 第28页 |
| ·VC维和推广性的界 | 第28-29页 |
| ·结构风险最小化原则 | 第29-30页 |
| ·支持向量机算法 | 第30-37页 |
| ·线性SVM | 第30-34页 |
| ·非线性SVM | 第34-36页 |
| ·支持向量机的主要特点 | 第36-37页 |
| ·支持向量回归机算法 | 第37-42页 |
| ·线性ε-SVR | 第38-41页 |
| ·非线性ε-SVR | 第41-42页 |
| ·支持向量机的训练算法 | 第42-45页 |
| ·几何方法 | 第42页 |
| ·代数方法 | 第42-43页 |
| ·序贯最小优化算法SMO | 第43-45页 |
| ·支持向量机的多分类方法 | 第45-48页 |
| ·一对多方法 | 第46页 |
| ·一对一方法 | 第46-47页 |
| ·有向非循环图支持向量机方法 | 第47-48页 |
| ·本章小结 | 第48-49页 |
| 3 支持向量机代价敏感算法的研究 | 第49-77页 |
| ·引言 | 第49-53页 |
| ·不平衡数据挖掘特点 | 第49-51页 |
| ·CSDM的实现策略 | 第51-52页 |
| ·代价类型 | 第52-53页 |
| ·修正类分布SVM算法的研究 | 第53-60页 |
| ·分类性能评价方式 | 第53-54页 |
| ·类分布对C-SVM分类性能的影响 | 第54-55页 |
| ·SVM补偿算法设计 | 第55-56页 |
| ·实验结果分析及结论 | 第56-60页 |
| ·重构样本类空间SVM算法的研究 | 第60-65页 |
| ·贝叶斯(Bayes)方法简介 | 第60-61页 |
| ·概率估计和误分类代价 | 第61-62页 |
| ·SVM代价敏感分类算法设计 | 第62-63页 |
| ·实验结果分析及结论 | 第63-65页 |
| ·引入噪音代价SVR算法的研究 | 第65-76页 |
| ·SVR算法简介 | 第65-66页 |
| ·典型的代价模型 | 第66-67页 |
| ·基于KNN的噪音代价模型设计 | 第67-68页 |
| ·嵌入噪音代价SVR算法的设计 | 第68-69页 |
| ·实验结果分析与结论 | 第69-76页 |
| ·本章小结 | 第76-77页 |
| 4 支持向量机增量学习算法的研究 | 第77-105页 |
| ·引言 | 第77-78页 |
| ·LAGRANGIAN支持向量机概述 | 第78-80页 |
| ·LSVM增量学习算法的研究 | 第80-86页 |
| ·在线增量学习的设计 | 第80-83页 |
| ·在线增量学习算法实现 | 第83页 |
| ·成批增量学习的设计 | 第83-85页 |
| ·成批增量学习算法实现 | 第85-86页 |
| ·LSVM减量学习算法的研究 | 第86-88页 |
| ·在线减量学习算法设计与实现 | 第86-87页 |
| ·成批减量学习算法设计 | 第87-88页 |
| ·成批减量学习算法实现 | 第88页 |
| ·带有淘汰策略的增量学习算法研究 | 第88-91页 |
| ·样本选择策略 | 第88-89页 |
| ·带有淘汰策略的增量学习算法设计与实现 | 第89页 |
| ·实验结果分析与结论 | 第89-91页 |
| ·LSVR增量学习算法的研究 | 第91-104页 |
| ·Lagrangian支持回归机概述 | 第91-94页 |
| ·LSVR在线增量学习算法设计 | 第94-97页 |
| ·LSVR在线增量学习算法实现 | 第97-98页 |
| ·LSVR成批增量回归学习算法设计 | 第98-100页 |
| ·LSVR成批增量学习算法实现 | 第100-101页 |
| ·实验结果分析与结论 | 第101-104页 |
| ·本章小结 | 第104-105页 |
| 5 支持向量机在气象数据挖掘中的应用 | 第105-131页 |
| ·引言 | 第105-108页 |
| ·气象的时空变化特征 | 第105-106页 |
| ·气象资料特点 | 第106-107页 |
| ·气象资料异常处理 | 第107-108页 |
| ·气象数据仓库构建 | 第108-110页 |
| ·MDSS系统主题域 | 第108-109页 |
| ·MDSS系统架构 | 第109-110页 |
| ·时态数据挖掘 | 第110-113页 |
| ·时态数据挖掘简介 | 第110-112页 |
| ·数据挖掘基本步骤 | 第112-113页 |
| ·SVM在时态数据挖掘的应用 | 第113页 |
| ·基于SVM的气象数据挖掘 | 第113-129页 |
| ·预报国子选择及处理 | 第114-115页 |
| ·数据预处理步骤 | 第115-117页 |
| ·基于SVM的降雨分类预测研究 | 第117-125页 |
| ·基于SVR的气温回归预测研究 | 第125-129页 |
| ·本章小结 | 第129-131页 |
| 6 结论与展望 | 第131-137页 |
| ·结论 | 第131-133页 |
| ·创新点 | 第133-134页 |
| ·展望 | 第134-137页 |
| 参考文献 | 第137-147页 |
| 致谢 | 第147-149页 |
| 在学期间发表学术论文及参加科研工作情况 | 第149-150页 |
| 在学期间发表的学术论文 | 第149-150页 |
| 在学期间参加科研项目 | 第150页 |
