| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-14页 |
| 1.1.1 水资源重要性 | 第10-12页 |
| 1.1.2 我国地表水质现状 | 第12-13页 |
| 1.1.3 北京市地表水质现状 | 第13页 |
| 1.1.4 现行水质分类标准 | 第13-14页 |
| 1.2 论文主要内容 | 第14-15页 |
| 1.3 论文组织结构 | 第15-16页 |
| 第二章 数据挖掘概述 | 第16-22页 |
| 2.1 数据挖掘简介 | 第16-17页 |
| 2.2 常用聚类方法介绍 | 第17-18页 |
| 2.4 基于时间序列的预测方法 | 第18-20页 |
| 2.4.1 时间序列分析方法 | 第19页 |
| 2.4.2 时间序列模型基本概念 | 第19-20页 |
| 2.5 本章小结 | 第20-22页 |
| 第三章 水质分类 | 第22-34页 |
| 3.1 K-Means算法基本概念 | 第22-25页 |
| 3.1.1 K-Means算法原理 | 第22-23页 |
| 3.1.2 K-Means最近邻的度量 | 第23-24页 |
| 3.1.3 K和聚类中心的选择 | 第24-25页 |
| 3.2 SVM算法介绍 | 第25-29页 |
| 3.2.1 SVM算法原理介绍 | 第25-26页 |
| 3.2.2 线性可分SVM | 第26-27页 |
| 3.2.3 线性不可分SVM | 第27-28页 |
| 3.2.4 惩罚因子和松弛变量 | 第28-29页 |
| 3.2.5 多分类SVM | 第29页 |
| 3.3 K-Means和SVM结合的水质分类方法 | 第29-32页 |
| 3.3.1 水质信息数据清洗 | 第30-31页 |
| 3.3.2 密云水库入口地表水初始聚类 | 第31页 |
| 3.3.3 K-Means和SVM结合的方法在地表水质分类的应用 | 第31-32页 |
| 3.4 本章小结 | 第32-34页 |
| 第四章 水质预测 | 第34-52页 |
| 4.1 ARIMA模型在地表水质预测的应用 | 第34-45页 |
| 4.1.1 算法原理 | 第34-36页 |
| 4.1.2 使用ARIMA进行水质预测流程 | 第36-37页 |
| 4.1.3 地表水质信息前期处理 | 第37-40页 |
| 4.1.4 选择合适水质预测模型 | 第40-43页 |
| 4.1.5 地表水质预测结果分析 | 第43-45页 |
| 4.2 SVM回归在地表水质预测的应用 | 第45-47页 |
| 4.2.1 密云水库入口水质影响因子分析 | 第45-47页 |
| 4.2.2 SVM模型水质预测原理 | 第47页 |
| 4.3 SVM和ARIMA相结合的方法在水质预测的应用 | 第47-49页 |
| 4.3.1 地表水质预测模型建模步骤 | 第47-48页 |
| 4.3.2 地表水质预测结果分析 | 第48-49页 |
| 4.5 本章小结 | 第49-52页 |
| 第五章 水务信息管理系统与决策平台设计方案 | 第52-64页 |
| 5.1 平台概述 | 第52-54页 |
| 5.1.1 水务信息管理系统建设的必要性 | 第52页 |
| 5.1.2 水务信息管理系统与决策平台建设思路 | 第52-53页 |
| 5.1.3 建设原则 | 第53-54页 |
| 5.2 水务信息管理系统与决策平台模块概述 | 第54-56页 |
| 5.3 北京市地表水质分类、预测流程 | 第56-57页 |
| 5.4 水务系统相关技术实现、框架模式 | 第57-60页 |
| 5.4.1 系统技术实现 | 第57-58页 |
| 5.4.2 水务信息管理系统与决策平台架构 | 第58-60页 |
| 5.5 系统运行测试 | 第60-63页 |
| 5.6 本章小结 | 第63-64页 |
| 第六章 总结与展望 | 第64-66页 |
| 6.1 全文总结 | 第64页 |
| 6.2 工作展望 | 第64-66页 |
| 参考文献 | 第66-70页 |
| 致谢 | 第70-72页 |
| 攻读硕士学位期间发表的论文 | 第72页 |