| 摘要 | 第1-6页 |
| ABSTRACT | 第6-10页 |
| 第一章 绪论 | 第10-15页 |
| ·水质模拟预测的研究背景 | 第10-11页 |
| ·机理性水质模型参数估值技术研究现状 | 第11-12页 |
| ·非机理性水质模拟预测研究现状 | 第12-13页 |
| ·马尔可夫法 | 第12页 |
| ·灰色模型法 | 第12-13页 |
| ·时间序列法 | 第13页 |
| ·人工神经网络法 | 第13页 |
| ·本文的研究成果 | 第13-14页 |
| ·本文的结构安排 | 第14-15页 |
| 第二章 粒子群优化算法 | 第15-28页 |
| ·群智能 | 第15页 |
| ·粒子群算法简介 | 第15-16页 |
| ·原始粒子群优化算法 | 第16-18页 |
| ·算法原理 | 第16-17页 |
| ·算法流程 | 第17页 |
| ·算法特征 | 第17-18页 |
| ·标准粒子群优化算法 | 第18-19页 |
| ·惯性权重的引入 | 第18页 |
| ·收缩因子的引入 | 第18-19页 |
| ·混合粒子群优化算法 | 第19页 |
| ·标准粒子群算法的惯性权重改变策略 | 第19-22页 |
| ·线性权重递减策略 | 第20页 |
| ·非线性权重递减策略 | 第20-21页 |
| ·性能测试 | 第21-22页 |
| ·自适应粒子群算法 | 第22-28页 |
| ·算法的相关定义及定理 | 第22-24页 |
| ·算法的变异操作 | 第24页 |
| ·算法的基本流程 | 第24-25页 |
| ·性能测试 | 第25-28页 |
| 第三章 自适应粒子群算法在水质模型参数估值中的应用 | 第28-40页 |
| ·水质模型多参数最优化估值原理 | 第28-29页 |
| ·一维河流水质模型的基本方程 | 第29-30页 |
| ·一维稳态河流的托马斯BOD-DO模型 | 第30页 |
| ·估值试验及分析 | 第30-40页 |
| ·仿真试验 | 第31-38页 |
| ·实测试验 | 第38-39页 |
| ·试验小结 | 第39-40页 |
| 第四章 支持向量回归机 | 第40-50页 |
| ·机器学习问题与发展 | 第40-41页 |
| ·统计学习理论 | 第41-42页 |
| ·VC维 | 第41页 |
| ·推广性的界 | 第41-42页 |
| ·结构风险最小化 | 第42页 |
| ·标准支持向量回归机 | 第42-47页 |
| ·线性情况 | 第43-45页 |
| ·非线性情况 | 第45-46页 |
| ·关于支持向量回归方法的几点说明 | 第46-47页 |
| ·支持向量回归机的计算步骤 | 第47-48页 |
| ·二次规划问题的求解 | 第48-50页 |
| 第五章 支持向量机在水质模拟预测中的应用 | 第50-58页 |
| ·LS-SVM回归估计原理 | 第50-51页 |
| ·模型参数的确定 | 第51-52页 |
| ·水质模拟预测实例分析 | 第52-58页 |
| ·原始水质资料 | 第52-53页 |
| ·水质数据的预处理 | 第53页 |
| ·水质模拟预测步骤 | 第53-54页 |
| ·标准SVM的模拟预测结果 | 第54-56页 |
| ·LS-SVM的模拟预测结果 | 第56-57页 |
| ·试验小结 | 第57-58页 |
| 第六章 总结与展望 | 第58-60页 |
| ·总结 | 第58页 |
| ·展望 | 第58-60页 |
| 参考文献 | 第60-65页 |
| 致谢 | 第65-66页 |
| 硕士期间发表的论文 | 第66-67页 |