| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 第一章 绪论 | 第8-11页 |
| ·研究的背景与意义 | 第8-9页 |
| ·国内外研究现状 | 第9页 |
| ·本文的主要工作 | 第9-11页 |
| 第二章 基础理论 | 第11-28页 |
| ·统计学习理论 | 第11-16页 |
| ·基本概念 | 第11页 |
| ·机器学习的基本问题 | 第11-14页 |
| ·统计学习理论的核心内容 | 第14-16页 |
| ·支持向量机 | 第16-23页 |
| ·最大间隔原则 | 第16-17页 |
| ·最优分类超平面 | 第17-20页 |
| ·非线性可分数据的最优超平面 | 第20-22页 |
| ·非线性支持向量机 | 第22-23页 |
| ·支持向量回归机 | 第23-26页 |
| ·支持向量回归机的基本思想 | 第23-24页 |
| ·线性回归问题与ε-带超平面 | 第24-25页 |
| ·ε-带超平面与分类问题 | 第25页 |
| ·ε-带超平面的最大间隔回归法 | 第25页 |
| ·支持向量回归机 | 第25-26页 |
| ·本章小结 | 第26-28页 |
| 第三章 基于GA-SVM的宁东基地的生态脆弱性评价研究 | 第28-34页 |
| ·研究区概况 | 第28页 |
| ·基于GA优化的SVM对宁东能源化工基地生态脆弱性评价研究 | 第28-32页 |
| ·样本来源 | 第28-29页 |
| ·GA优化的SVM算法 | 第29-32页 |
| ·评价结果 | 第32页 |
| ·本章小结 | 第32-34页 |
| 第四章 基于LS-SVR的宁东能源化工基地PM_(10)浓度预测 | 第34-42页 |
| ·最小二乘支持向量回归机 | 第34-35页 |
| ·基于LS-SVR的PM_(10)预测模型 | 第35-37页 |
| ·数据源及输入信号的选取 | 第35-36页 |
| ·LS-SVR预测模型 | 第36页 |
| ·BP-ANN预测模型 | 第36页 |
| ·MLR预测模型 | 第36-37页 |
| ·仿真结果及分析 | 第37-41页 |
| ·模型精度比较 | 第37-39页 |
| ·影响因素分析 | 第39-41页 |
| ·本章小结 | 第41-42页 |
| 第五章 总结与展望 | 第42-44页 |
| ·总结 | 第42页 |
| ·展望 | 第42-44页 |
| 参考文献 | 第44-47页 |
| 致谢 | 第47-48页 |
| 攻读硕士期间撰写的论文、参与的项目及个人简历 | 第48页 |
