基于支持向量回归机的气象观测站优化模型研究
| 摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 第一章 绪论 | 第8-13页 |
| ·选题的背景、意义和模型选择 | 第8-11页 |
| ·支持向量机国内外研究现状 | 第11-12页 |
| ·主要内容及论文结构 | 第12-13页 |
| 第二章 回归分析 | 第13-22页 |
| ·回归分析理论概述 | 第13-14页 |
| ·简单线性回归 | 第14-20页 |
| ·回归系数的最小二乘估计 | 第14-15页 |
| ·回归方程的显著性检验 | 第15-17页 |
| ·线性回归的应用——预测 | 第17-20页 |
| ·多元回归分析 | 第20页 |
| ·主成分回归(PCR)方法 | 第20-22页 |
| 第三章 神经网络 | 第22-33页 |
| ·神经网络基本理论 | 第22-25页 |
| ·神经网络的泛化能力 | 第22页 |
| ·基于BP算法的多层感知器模型 | 第22-25页 |
| ·BPNN学习算法与理论 | 第25-32页 |
| ·BP学习算法 | 第25-29页 |
| ·训练样本集的准备 | 第29页 |
| ·输入输出量的选取 | 第29页 |
| ·数据的预处理 | 第29-31页 |
| ·经验风险最小化原则 | 第31-32页 |
| ·基于BP神经网络变量筛选 | 第32-33页 |
| 第四章 支持向量回归机 | 第33-43页 |
| ·支持向量机的基本思想和构建 | 第33-35页 |
| ·最优超平面的概念和构建 | 第33-35页 |
| ·支持向量机的基本原理 | 第35-40页 |
| ·支持向量分类机 | 第36-38页 |
| ·支持向量回归机 | 第38-40页 |
| ·支持向量机的特点及影响因素 | 第40-43页 |
| ·SVM的特点 | 第40-41页 |
| ·支持向量机的影响因素 | 第41-43页 |
| 第五章 实证分析 | 第43-56页 |
| ·数据及软件说明 | 第43页 |
| ·减少气象观测站的分析 | 第43-46页 |
| ·气象观测站回归预测模型 | 第46-49页 |
| ·模型的分析 | 第46页 |
| ·模型的建立 | 第46-49页 |
| ·BPNN分析 | 第49-52页 |
| ·BPNN分析过程 | 第49-51页 |
| ·MIV的计算 | 第51-52页 |
| ·支持向量回归机预测 | 第52-54页 |
| ·数据的预处理 | 第52页 |
| ·变量与参数选择 | 第52-53页 |
| ·模型求解及回归预测 | 第53-54页 |
| ·结果分析 | 第54-56页 |
| 第六章 总结与展望 | 第56-57页 |
| 参考文献 | 第57-61页 |
| 致谢 | 第61-62页 |
| 攻读硕士学位期间公开发表论文 | 第62页 |
