| 致谢 | 第1-6页 |
| 摘要 | 第6-8页 |
| Abstract | 第8-10页 |
| 目录 | 第10-12页 |
| 第一章 综述 | 第12-26页 |
| ·引言 | 第12-13页 |
| ·集成学习的兴起和发展 | 第13-16页 |
| ·集成学习兴起历程 | 第13-14页 |
| ·集成方法及其研究 | 第14-16页 |
| ·Boosting和Bagging | 第16-24页 |
| ·AdaBoost算法研究 | 第17-20页 |
| ·Bagging算法研究 | 第20-22页 |
| ·Boosting与Bagging的性能比较 | 第22-24页 |
| ·应用成果 | 第24-25页 |
| ·本文研究内容 | 第25-26页 |
| 第二章 自适应样本选择技术及其算法 | 第26-54页 |
| ·引言 | 第26-27页 |
| ·Boosting回归算法 | 第27-36页 |
| ·Boosting梯度下降理论 | 第27-31页 |
| ·最基本的Boosting回归算法 | 第31-36页 |
| ·自适应样本选择技术 | 第36-42页 |
| ·现有的样本选择技术及其实验 | 第36-42页 |
| ·改进算法及其实验 | 第42-53页 |
| ·实验结果思考 | 第53页 |
| ·小结 | 第53-54页 |
| 第三章 Boosting算法在水质分析软测量仪表中的应用 | 第54-72页 |
| ·水体污染及水质指标 | 第54-57页 |
| ·环境保护和水体污染 | 第54-55页 |
| ·水质指标 | 第55-56页 |
| ·BOD／COD的检测方法及软测量的意义 | 第56-57页 |
| ·软测量技术及软仪表 | 第57-61页 |
| ·软测量技术及其建模方式 | 第57-60页 |
| ·软仪表的研究 | 第60-61页 |
| ·水质分析仪 | 第61-69页 |
| ·水质分析仪简介 | 第61-62页 |
| ·系统测量原理 | 第62-63页 |
| ·系统硬件结构 | 第63页 |
| ·系统软件设计 | 第63-65页 |
| ·系统分析模型 | 第65-67页 |
| ·模型性能分析 | 第67-69页 |
| ·结论 | 第69页 |
| ·水质分析的展望 | 第69-70页 |
| ·小结 | 第70-72页 |
| 第四章 总结与展望 | 第72-74页 |
| ·研究工作总结 | 第72页 |
| ·问题与展望 | 第72-74页 |
| 参考文献 | 第74-80页 |
| 附录1 RBF神经网络 | 第80-82页 |
| 附录2 作者简介 | 第82页 |