基于时空数据驱动的宁波市空气质量预警
| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 引言 | 第10-11页 |
| 1 绪论 | 第11-15页 |
| 1.1 研究的背景和意义 | 第11页 |
| 1.2 国内外预报方法的研究现状 | 第11-13页 |
| 1.3 论文的主要工作及论文结构 | 第13-15页 |
| 2 支持向量机 | 第15-24页 |
| 2.1 支持向量机分类 | 第16-21页 |
| 2.1.1 线性可分 | 第16-19页 |
| 2.1.2 线性不可分 | 第19-21页 |
| 2.2 支持向量机回归 | 第21-23页 |
| 2.3 支持向量机的回归应用 | 第23页 |
| 2.4 本章小结 | 第23-24页 |
| 3 聚类算法 | 第24-33页 |
| 3.1 自组织神经网络聚类算法 | 第24-28页 |
| 3.1.1 自组织神经网络概述 | 第24-25页 |
| 3.1.2 自组织神经网络的工作原理 | 第25-26页 |
| 3.1.3 自组织神经网络算法步骤 | 第26-28页 |
| 3.2 模糊c均值聚类算法 | 第28-32页 |
| 3.2.1 模糊集理论 | 第28-29页 |
| 3.2.2 数据集c划分 | 第29-30页 |
| 3.2.3 模糊c均值聚类算法 | 第30-32页 |
| 3.3 本章小结 | 第32-33页 |
| 4 空气质量预报模型的建立 | 第33-57页 |
| 4.1 空气质量指数 | 第33-35页 |
| 4.2 数据的来源及预处理 | 第35-39页 |
| 4.3 输入输出参数 | 第39页 |
| 4.4 SVR预报模型 | 第39-40页 |
| 4.5 聚类-支持向量机回归预报模型 | 第40-42页 |
| 4.5.1 SOM-SVR预报模型 | 第40-41页 |
| 4.5.2 FCM-SVR预报模型 | 第41-42页 |
| 4.6 聚类分析和预报结果对比 | 第42-47页 |
| 4.6.1 聚类分析 | 第42-43页 |
| 4.6.2 预报结果对比 | 第43-47页 |
| 4.7 基于Wiener模型修正预报模型 | 第47-56页 |
| 4.7.1 Wiener模型基本原理 | 第47-48页 |
| 4.7.2 Wiener模型的数学描述 | 第48-50页 |
| 4.7.3 Wiener修正预报模型 | 第50-53页 |
| 4.7.4 修正预报结果对比 | 第53-56页 |
| 4.8 本章小结 | 第56-57页 |
| 5 宁波市空气质量预警 | 第57-70页 |
| 5.1 系统框架 | 第57-59页 |
| 5.1.1 需求分析 | 第57页 |
| 5.1.2 系统框架设计 | 第57-59页 |
| 5.2 服务端技术设计 | 第59-64页 |
| 5.2.1 数据库设计 | 第59-63页 |
| 5.2.2 前端页面设计 | 第63-64页 |
| 5.3 系统实现 | 第64-69页 |
| 5.3.1 开发环境与工具 | 第64-65页 |
| 5.3.2 界面实现 | 第65-69页 |
| 5.4 本章小结 | 第69-70页 |
| 6 结论与展望 | 第70-72页 |
| 6.1 结论 | 第70-71页 |
| 6.2 展望 | 第71-72页 |
| 参考文献 | 第72-76页 |
| 在学研究成果 | 第76-77页 |
| 致谢 | 第77页 |
