| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-13页 |
| 1.1 研究背景 | 第10-12页 |
| 1.1.1 研究意义及目的 | 第10-11页 |
| 1.1.2 研究现状 | 第11-12页 |
| 1.2 本文工作 | 第12-13页 |
| 第2章 背景知识简介 | 第13-29页 |
| 2.1 主成分分析方法(Principal Component Analysis，PCA） | 第13-16页 |
| 2.2 聚类分析方法 | 第16-20页 |
| 2.2.1 聚类分析一般原理 | 第16-18页 |
| 2.2.2 AP聚类 | 第18-20页 |
| 2.3 遗传算法基本原理 | 第20-23页 |
| 2.4 SVDD方法概述 | 第23-28页 |
| 2.4.1 支持向量数据描述 | 第23-25页 |
| 2.4.2 核函数 | 第25-26页 |
| 2.4.3 支持向量描述学习的实现算法 | 第26-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第3章 基于DAP-SVDD雾霾预测模型设计 | 第29-40页 |
| 3.1 建模方法的选择 | 第29-30页 |
| 3.2 改进AP-SVDD算法——DAP-SVDD | 第30-32页 |
| 3.2.1 DAP-SVDD算法 | 第30-31页 |
| 3.2.3 算法的实现 | 第31-32页 |
| 3.3 基于DAP-SVDD雾霾预测系统结构 | 第32-33页 |
| 3.4 基于DAP-SVDD雾霾预测模型设计流程 | 第33-39页 |
| 3.4.1 数据预处理 | 第33-34页 |
| 3.4.2 DAP-SVDD模型实现 | 第34-39页 |
| 3.5 本章小结 | 第39-40页 |
| 第4章 DAP-SVDD模型在长春未来 24h雾霾天气预测中的应用 | 第40-54页 |
| 4.1 研究问题描述 | 第40页 |
| 4.2 基于DAP-SVDD长春地区雾霾预测模型的训练 | 第40-48页 |
| 4.2.1 样本数据选取 | 第40-41页 |
| 4.2.2 样本数据预处理 | 第41-44页 |
| 4.2.3 DAP-SVDD模型各训练参数设置 | 第44-47页 |
| 4.2.4 DAP-SVDD预测模型训练 | 第47-48页 |
| 4.3 基于DAP-SVDD长春地区雾霾预测模型的仿真及分析 | 第48-52页 |
| 4.3.1 基于DAP-SVDD长春市雾霾预测模型测试实验 | 第48页 |
| 4.3.2 基于DAP-SVDD长春市雾霾预测模型结果分析 | 第48-49页 |
| 4.3.3 基于DAP-SVDD长春市雾霾预测模型结果对比 | 第49-51页 |
| 4.3.4 基于DAP-SVDD长春市雾霾预测模型仿真 | 第51-52页 |
| 4.4 本章小结 | 第52-54页 |
| 第5章 结论与展望 | 第54-56页 |
| 5.1 结论 | 第54页 |
| 5.2 进一步工作 | 第54-56页 |
| 参考文献 | 第56-58页 |
| 作者简介及在学期间所取得的科研成果 | 第58-59页 |
| 致谢 | 第59页 |
