基于相关向量机的水质预测研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-18页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 水质预测建模方法 | 第12-14页 |
| 1.3 水质预测的国内外研究现状 | 第14-16页 |
| 1.4 本文主要工作与内容安排 | 第16-18页 |
| 第二章 相关向量机模型 | 第18-31页 |
| 2.1 贝叶斯理论基础 | 第18-20页 |
| 2.1.1 贝叶斯理论的基本观点 | 第18-19页 |
| 2.1.2 最大似然估计与贝叶斯估计 | 第19页 |
| 2.1.3 贝叶斯学习 | 第19-20页 |
| 2.2 相关向量机模型 | 第20-25页 |
| 2.2.1 相关向量机回归模型 | 第20-23页 |
| 2.2.2 相关向量机分类模型 | 第23-25页 |
| 2.3 RVR学习算法 | 第25-28页 |
| 2.3.1 MacKay迭代法 | 第25页 |
| 2.3.2 改进的EM迭代算法 | 第25-26页 |
| 2.3.3 快速序列稀疏贝叶斯学习算法 | 第26-28页 |
| 2.4 稀疏核机性能比较 | 第28-30页 |
| 2.5 本章小结 | 第30-31页 |
| 第三章 基于集成相关向量机的水质预测模型 | 第31-46页 |
| 3.1 集成学习算法 | 第31-36页 |
| 3.1.1 集成学习的基本概念 | 第32-33页 |
| 3.1.2 Bagging和Boosting | 第33-36页 |
| 3.2 改进AdaBoost.RT算法 | 第36-38页 |
| 3.3 数据预处理 | 第38-39页 |
| 3.3.1 缺失值的处理 | 第38-39页 |
| 3.3.2 输入变量的确定 | 第39页 |
| 3.4 仿真实验 | 第39-45页 |
| 3.5 本章小结 | 第45-46页 |
| 第四章 基于KPLS-RVR的水质预测模型 | 第46-62页 |
| 4.1 多重相关性 | 第46-48页 |
| 4.1.1 多重相关性定义 | 第46-47页 |
| 4.1.2 多重相关性的危害 | 第47页 |
| 4.1.3 多重相关性的解决方法 | 第47-48页 |
| 4.2 核偏最小二乘法原理 | 第48-56页 |
| 4.2.1 偏最小二乘法 | 第48-51页 |
| 4.2.2 核偏最小二乘法 | 第51-52页 |
| 4.2.3 全局性核函数 | 第52-54页 |
| 4.2.4 局部性核函数 | 第54-55页 |
| 4.2.5 混合核函数 | 第55-56页 |
| 4.3 建模过程 | 第56-58页 |
| 4.3.1 输入变量 | 第56页 |
| 4.3.2 核主元个数的确定 | 第56-57页 |
| 4.3.3 建模步骤 | 第57-58页 |
| 4.4 仿真实验 | 第58-61页 |
| 4.5 本章小结 | 第61-62页 |
| 第五章 基于FIG-VRVR的水质预测模型 | 第62-74页 |
| 5.1 信息粒化 | 第62-64页 |
| 5.1.1 模糊信息粒化 | 第62-64页 |
| 5.2 改进的相关向量机回归模型 | 第64-67页 |
| 5.2.1 最小截平方和估计 | 第64-66页 |
| 5.2.2 改进RVR | 第66-67页 |
| 5.2.3 仿真测试 | 第67页 |
| 5.3 建模步骤 | 第67-68页 |
| 5.4 仿真实验 | 第68-72页 |
| 5.5 本章小结 | 第72-74页 |
| 总结与展望 | 第74-76页 |
| 全文工作总结 | 第74-75页 |
| 今后研究方向展望 | 第75-76页 |
| 参考文献 | 第76-83页 |
| 攻读硕士学位期间取得的研究成果 | 第83-84页 |
| 致谢 | 第84页 |
