| 摘要 | 第1-4页 |
| ABSTRACT | 第4-8页 |
| 1 绪论 | 第8-13页 |
| ·选题背景及研究意义 | 第8页 |
| ·国内外研究现状及分析 | 第8-11页 |
| ·支持向量机训练算法的研究 | 第8-9页 |
| ·支持向量机模型选择的研究 | 第9-11页 |
| ·支持向量机的扩展 | 第11页 |
| ·支持向量机在大气污染预测中的研究现状 | 第11页 |
| ·本文主要工作 | 第11-13页 |
| ·支持向量机应用于大气污染物浓度预测 | 第11-12页 |
| ·小波分解重构和支持向量机应用于大气污染物浓度预测 | 第12页 |
| ·小波分析及支持向量机应用于大气污染物浓度预测 | 第12-13页 |
| 2 统计学习理论与支持向量机 | 第13-26页 |
| ·统计学习理论 | 第13-18页 |
| ·学习问题的一般表示及经验风险最小化归纳原则 | 第13-14页 |
| ·学习过程的一致性 | 第14-15页 |
| ·学习机器推广能力的界 | 第15-16页 |
| ·控制学习过程的推广能力 | 第16-17页 |
| ·构造学习算法 | 第17-18页 |
| ·支持向量机 | 第18-25页 |
| ·支持向量机分类 | 第18-22页 |
| ·支持向量机的核函数 | 第22页 |
| ·支持向量机回归 | 第22-24页 |
| ·支持向量机算法 | 第24-25页 |
| ·本章小结 | 第25-26页 |
| 3 支持向量机应用于大气污染物浓度预测 | 第26-31页 |
| ·建立大气污染物浓度预测模型的步骤 | 第26页 |
| ·预测模型的具体应用 | 第26-30页 |
| ·资料来源 | 第26-27页 |
| ·试验软件 | 第27页 |
| ·数据的预处理 | 第27页 |
| ·SVM 的学习训练及预测 | 第27-30页 |
| ·预测结果分析 | 第30页 |
| ·结论 | 第30页 |
| ·本章小结 | 第30-31页 |
| 4 小波分解重构和支持向量机应用于大气污染物浓度预测 | 第31-42页 |
| ·小波分析的基本理论 | 第31-36页 |
| ·傅里叶变换，窗口傅里叶变换与小波变换 | 第31-32页 |
| ·小波变换 | 第32-33页 |
| ·常用小波函数 | 第33-34页 |
| ·多分辨分析 | 第34-35页 |
| ·Mallat 算法 | 第35-36页 |
| ·小波支持向量机在大气污染物浓度预测中的应用 | 第36-41页 |
| ·小波分解和重构 | 第37页 |
| ·大气污染物浓度的小波支持向量机预测步骤 | 第37-38页 |
| ·小波支持向量机在大气 SO2 浓度预测中的应用 | 第38-41页 |
| ·结论 | 第41页 |
| ·本章小结 | 第41-42页 |
| 5 小波分析及支持向量机应用于大气污染物浓度预测 | 第42-48页 |
| ·小波分析及支持向量机应用于大气污染物浓度预测 | 第42-47页 |
| ·预测步骤 | 第42页 |
| ·资料来源 | 第42页 |
| ·小波分析应用于大气污染物浓度序列年变化趋势的分析 | 第42-44页 |
| ·各时段支持向量机预测模型的建立及预测结果 | 第44-47页 |
| ·结论 | 第47页 |
| ·本章小结 | 第47-48页 |
| 6 结论 | 第48-50页 |
| ·结论 | 第48页 |
| ·展望 | 第48-50页 |
| 致谢 | 第50-51页 |
| 参考文献 | 第51-55页 |
| 附录 | 第55页 |
