| 摘要 | 第4-6页 |
| Abstract | 第6-8页 |
| 1． 绪论 | 第12-16页 |
| 1.1 课题研究背景及意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-14页 |
| 1.2.1 国内外支持向量机研究现状 | 第13-14页 |
| 1.2.2 国内外粮食产量预测模型研究现状 | 第14页 |
| 1.3 研究内容与组织结构 | 第14-16页 |
| 1.3.1 研究内容 | 第14-15页 |
| 1.3.2 组织结构 | 第15-16页 |
| 2． 支持向量机概述 | 第16-29页 |
| 2.1 统计学习理论的核心内容 | 第16-20页 |
| 2.1.1 学习过程的一致性 | 第16-17页 |
| 2.1.2 VC维 | 第17-18页 |
| 2.1.3 推广性的界 | 第18页 |
| 2.1.4 结构风险最小化 | 第18-20页 |
| 2.2 支持向量机基本原理 | 第20-21页 |
| 2.3 支持向量机分类 | 第21-24页 |
| 2.3.1 线性可分 | 第21-24页 |
| 2.3.2 线性不可分 | 第24页 |
| 2.4 支持向量机算法 | 第24-26页 |
| 2.4.1 Chunking算法 | 第24页 |
| 2.4.2 分解法 | 第24-25页 |
| 2.4.3 SVMlight算法 | 第25页 |
| 2.4.4 序贯最小优化方法(SMO) | 第25-26页 |
| 2.5 支持向量机参数及作用 | 第26-27页 |
| 2.6 核函数理论 | 第27-29页 |
| 2.6.1 核函数理论与本质 | 第27-28页 |
| 2.6.2 常用的核函数 | 第28-29页 |
| 3．基于自适应遗传算法的AGA-SVM优化模型的构建 | 第29-35页 |
| 3.1 遗传算法的机理与特点 | 第29-30页 |
| 3.2 用于SVM参数优化的AGA算法 | 第30-31页 |
| 3.2.1 自适应遗传算法原理 | 第30页 |
| 3.2.2 交叉率与变异率的自适应遗传算法研究 | 第30-31页 |
| 3.3AGA-SVM参数选取的要素 | 第31-34页 |
| 3.3.1 产生初始种群 | 第31页 |
| 3.3.2 适应度函数 | 第31-32页 |
| 3.3.3 设计遗传算子 | 第32-33页 |
| 3.3.4 算法终止条件 | 第33-34页 |
| 3.4 自适应遗传算法的运行参数 | 第34-35页 |
| 4．AGA-SVM优化模型在粮食产量预测中的应用 | 第35-47页 |
| 4.1 数据来源 | 第35页 |
| 4.2 实验环境 | 第35-36页 |
| 4.3 AGA-SVM优化模型的建模流程 | 第36-38页 |
| 4.4 模型精度评定指标 | 第38-39页 |
| 4.5 不同的预测模型在粮食产量预测中的应用 | 第39-45页 |
| 4.5.1 标准的SVM模型的预测 | 第39-40页 |
| 4.5.2 AGA-SVM模型的预测 | 第40-41页 |
| 4.5.3 ARIMA模型的预测 | 第41-43页 |
| 4.5.4 主成分多元回归模型预测 | 第43-45页 |
| 4.6 四种预测模型结果比较 | 第45-47页 |
| 5．总结与展望 | 第47-49页 |
| 5.1 总结 | 第47页 |
| 5.2 展望 | 第47-49页 |
| 参考文献 | 第49-51页 |
| 致谢 | 第51-52页 |
| 附录 | 第52-56页 |