| 致谢 | 第1-6页 |
| 摘要 | 第6-8页 |
| Abstract | 第8-10页 |
| 目录 | 第10-12页 |
| 第1章 绪论 | 第12-24页 |
| 摘要 | 第12页 |
| ·课题研究背景及意义 | 第12-14页 |
| ·水质光谱法定量分析技术简介 | 第14-20页 |
| ·光谱水质分析技术 | 第14-16页 |
| ·水质光谱的建模技术 | 第16-20页 |
| ·课题总体框架介绍 | 第20-22页 |
| ·本文的研究内容及创新点 | 第22-24页 |
| 第2章 相关算法的基本原理 | 第24-40页 |
| 摘要 | 第24页 |
| ·引言 | 第24-26页 |
| ·k-means算法 | 第26-27页 |
| ·近邻传播算法(Affinity Propagation) | 第27-29页 |
| ·最小二乘支持向量机算法(LSSVM) | 第29-31页 |
| ·聚类集成(Cluster Ensemble)理论 | 第31-36页 |
| ·蚁群算法(Ant Cycle Alogrithem) | 第36-38页 |
| ·本章小结 | 第38-40页 |
| 第3章 基于聚类算法的水质分类预测模型 | 第40-60页 |
| 摘要 | 第40页 |
| ·引言 | 第40-41页 |
| ·基于AP-LSSVM的分类多模型预测回归模型 | 第41-44页 |
| ·相似度 | 第41-42页 |
| ·子模型选择方法 | 第42页 |
| ·算法的基本步骤 | 第42-44页 |
| ·仿真研究 | 第44-58页 |
| ·实验样本及建模数据 | 第44-48页 |
| ·仿真结果及分析 | 第48-57页 |
| ·结果与讨论 | 第57-58页 |
| ·本章小结 | 第58-60页 |
| 第4章 基于蚁群算法的聚类集成水质分类预测模型 | 第60-68页 |
| 摘要 | 第60页 |
| ·引言 | 第60-61页 |
| ·基于蚁群优化聚类集成算法的水质分类预测回归模型 | 第61-63页 |
| ·过量聚类成员的产生 | 第62页 |
| ·基于蚁群算法的聚类集成 | 第62-63页 |
| ·仿真比较 | 第63-66页 |
| ·仿真结果及分析 | 第63-66页 |
| ·结果与讨论 | 第66页 |
| ·本章小结 | 第66-68页 |
| 第5章 总结与展望 | 第68-72页 |
| 摘要 | 第68页 |
| ·研究工作总结 | 第68-69页 |
| ·研究工作展望 | 第69-72页 |
| 参考文献 | 第72-80页 |
| 附录 | 第80-81页 |
| 作者简介 | 第80页 |
| 硕士期间取得的科研成果 | 第80页 |
| 硕士期间参与的科研项目 | 第80-81页 |
