| 摘要 | 第5-7页 |
| Abstract | 第7-9页 |
| 第一章 前言 | 第13-37页 |
| 1.1 研究背景与意义 | 第13-15页 |
| 1.2 国内外研究现状 | 第15-29页 |
| 1.2.1 水生态环境监测技术研究现状 | 第15-21页 |
| 1.2.2 数据智能分析技术研究现状 | 第21-24页 |
| 1.2.3 水生态环境监测数据智能分析技术研究现状 | 第24-29页 |
| 1.3 三峡库区水生态环境在线监测实验研究 | 第29-34页 |
| 1.3.1 三峡库区水生态环境在线监测系统研究进展 | 第29-32页 |
| 1.3.2 三峡库区水生态环境监测数据分析存在的问题 | 第32-34页 |
| 1.4 本文的总体结构 | 第34-37页 |
| 第二章 基于卡尔曼滤波和时间序列分析的融合云模型 | 第37-61页 |
| 2.1 引言 | 第37页 |
| 2.2 卡尔曼滤波 | 第37-39页 |
| 2.3 高斯云模型 | 第39-43页 |
| 2.4 基于卡尔曼滤波和时间序列分析的融合云模型 | 第43-50页 |
| 2.4.1 变量选取 | 第43-45页 |
| 2.4.2 系统状态空间方程组 | 第45-46页 |
| 2.4.3 基于卡尔曼滤波的变量预测及其残差云模型 | 第46-47页 |
| 2.4.4 基于时间序列的变量预测及其残差云模型 | 第47-48页 |
| 2.4.5 基于融合云模型的预测分析 | 第48-50页 |
| 2.5 实验及结果分析 | 第50-59页 |
| 2.6 本章小结 | 第59-61页 |
| 第三章 基于模糊时间序列和PCA的多粒度分析模型 | 第61-89页 |
| 3.1 引言 | 第61-62页 |
| 3.2 模糊时间序列 | 第62-63页 |
| 3.3 主成分分析 | 第63-66页 |
| 3.4 基于模糊时间序列和PCA的多粒度分析模型 | 第66-74页 |
| 3.4.1 基于自适应高斯云变换的论域分区 | 第67-68页 |
| 3.4.2 模糊趋势逻辑关系组 | 第68-70页 |
| 3.4.3 基于模糊趋势矩阵的预测 | 第70-71页 |
| 3.4.4 基于PCA的多粒度层次结构 | 第71页 |
| 3.4.5 基于模糊时间序列和PCA的多粒度联合计算 | 第71-74页 |
| 3.5 实验及结果分析 | 第74-88页 |
| 3.5.1 MAFPCA模型实验及分析 | 第74-84页 |
| 3.5.2 水质分析应用 | 第84-88页 |
| 3.6 本章小结 | 第88-89页 |
| 第四章 融合邻域粗糙集和PCA的水质评价模型 | 第89-115页 |
| 4.1 引言 | 第89-90页 |
| 4.2 邻域粗糙集模型 | 第90-93页 |
| 4.3 融合邻域粗糙集和PCA的水质评价模型 | 第93-101页 |
| 4.3.1 基本概念 | 第93-95页 |
| 4.3.2 邻域粗糙集权重和PCA权重融合规则 | 第95-98页 |
| 4.3.3 基于邻域粗糙集和PCA权重融合的水质评价预测 | 第98-101页 |
| 4.4 实验及结果分析 | 第101-113页 |
| 4.4.1 DSRPE模型实验及分析 | 第101-108页 |
| 4.4.2 水质评价应用 | 第108-113页 |
| 4.5 本章小结 | 第113-115页 |
| 第五章 基于PCA的关联分析模型 | 第115-133页 |
| 5.1 引言 | 第115页 |
| 5.2 基于PCA的关联分析 | 第115-120页 |
| 5.2.1 因素与事物之间的关联性分析 | 第116-117页 |
| 5.2.2 不同事物之间的关联性分析 | 第117-120页 |
| 5.3 实验及结果分析 | 第120-132页 |
| 5.3.1 CSFPCA算法实验及分析 | 第120-122页 |
| 5.3.2 COPCA算法实验及分析 | 第122-123页 |
| 5.3.3 水质分析应用 | 第123-132页 |
| 5.4 本章小结 | 第132-133页 |
| 第六章 结论与展望 | 第133-137页 |
| 6.1 总结 | 第133-134页 |
| 6.2 展望 | 第134-137页 |
| 参考文献 | 第137-147页 |
| 发表文章等科研成果 | 第147-149页 |
| 致谢 | 第149页 |
