| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 1 绪论 | 第8-16页 |
| 1.1 研究的背景及意义 | 第8-9页 |
| 1.1.1 研究背景 | 第8-9页 |
| 1.1.2 研究意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-14页 |
| 1.2.1 水质预测研究现状 | 第9-12页 |
| 1.2.2 水质评价研究现状 | 第12-14页 |
| 1.3 本文的结构安排 | 第14-16页 |
| 2 统计学习理论与支持向量机概述 | 第16-28页 |
| 2.1 机器学习 | 第16-17页 |
| 2.2 统计学习理论 | 第17-20页 |
| 2.2.1 函数集的 VC 维 | 第17-19页 |
| 2.2.2 推广的界 | 第19页 |
| 2.2.3 结构风险最小化原则 | 第19-20页 |
| 2.3 支持向量机概述 | 第20-27页 |
| 2.3.1 支持向量分类机 | 第21-24页 |
| 2.3.2 支持向量回归机 | 第24-27页 |
| 2.5 本章小结 | 第27-28页 |
| 3 变种群数的自适应遗传算法及应用 | 第28-36页 |
| 3.1 SVM 参数优化 | 第28-29页 |
| 3.2 GA 算法 | 第29-31页 |
| 3.3 变种群数的 AGA 算法研究 | 第31-33页 |
| 3.4 变种群数的 AGA 算法在 SVM 参数寻优中的应用 | 第33-34页 |
| 3.5 本章小结 | 第34-36页 |
| 4 一种复杂非线性水质数据的预测方法研究 | 第36-46页 |
| 4.1 三峡库区水质指标时间序列特点 | 第36-37页 |
| 4.2 MDF-ARIMA-SVM 预测模型 | 第37-43页 |
| 4.2.1 水质数据预处理 | 第37-40页 |
| 4.2.2 ARIMA-SVM 水质预测模块 | 第40-42页 |
| 4.2.3 ARIMA-SVM 模块预测流程 | 第42-43页 |
| 4.3 仿真实验以及结果分析 | 第43-45页 |
| 4.4 本章小结 | 第45-46页 |
| 5 基于 PCA-SVM 三峡库区水质评价方法研究 | 第46-57页 |
| 5.1 水质评价体系的建立及水质数据分析 | 第46-47页 |
| 5.1.1 水质评价体系建立 | 第46-47页 |
| 5.1.2 水质数据相关分析 | 第47页 |
| 5.2 基于 PCA-SVM 评价模型研究 | 第47-53页 |
| 5.2.1 PCA 和 SVM 算法原理 | 第48-51页 |
| 5.2.2 基于 PCA-SVM 的评价模型 | 第51-53页 |
| 5.3 仿真实验及结果分析 | 第53-56页 |
| 5.4 本章小结 | 第56-57页 |
| 6 总结与展望 | 第57-59页 |
| 6.1 工作总结 | 第57-58页 |
| 6.2 后续展望 | 第58-59页 |
| 致谢 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 附录一 | 第64-65页 |
| A. 作者在攻读硕士学位期间发表的论文目录 | 第64页 |
| B. 作者在攻读硕士学位期间参加的科研项目及得奖情况 | 第64-65页 |
| 附录二 | 第65页 |
