增量学习在智慧水务需水量预测中的研究
| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 绪论 | 第8-16页 |
| 1.1 智慧水务背景介绍 | 第8-9页 |
| 1.2 智慧水务信息管理系统 | 第9-10页 |
| 1.3 智慧水务中的需水量预测方法 | 第10-13页 |
| 1.3.1 传统预测方法 | 第10-11页 |
| 1.3.2 人工智能预测方法 | 第11-13页 |
| 1.4 增量学习 | 第13-15页 |
| 1.4.1 增量学习的概念 | 第13-14页 |
| 1.4.2 增量学习的研究现状 | 第14-15页 |
| 1.5 论文的主要内容及章节安排 | 第15-16页 |
| 2 智慧水务管理系统中的增量学习 | 第16-30页 |
| 2.1 智慧水务管理系统的设计与实现 | 第16-26页 |
| 2.1.1 概要设计 | 第16-19页 |
| 2.1.2 数据分析与决策需求分析 | 第19-20页 |
| 2.1.3 智慧水务管理系统简介 | 第20-24页 |
| 2.1.4 管网数据读取 | 第24-26页 |
| 2.2 需水量预测及其增量学习问题 | 第26-28页 |
| 2.2.1 需水量预测的分析 | 第26-27页 |
| 2.2.2 需水量预测的模型 | 第27-28页 |
| 2.2.3 需水量预测的增量学习问题 | 第28页 |
| 2.3 本章小结 | 第28-30页 |
| 3 基于支持向量回归机的增量学习方法 | 第30-42页 |
| 3.1 支持向量回归机 | 第30-38页 |
| 3.1.1 核函数 | 第30-33页 |
| 3.1.2 支持向量回归机(ε-SVR) | 第33-36页 |
| 3.1.3 加权支持向量回归机 | 第36-38页 |
| 3.2 基于支持向量回归机的增量学习方法 | 第38-40页 |
| 3.2.1 SVR增量学习模型 | 第38-39页 |
| 3.2.2 数据预处理方法 | 第39-40页 |
| 3.3 本章小结 | 第40-42页 |
| 4 基于样本拓扑的增量加权支持向量回归方法 | 第42-48页 |
| 4.1 自组织增量神经网络 | 第42-46页 |
| 4.1.1 竞争学习 | 第42-43页 |
| 4.1.2 自组织增量神经网络的理论与实现 | 第43-46页 |
| 4.2 基于样本拓扑的增量加权支持向量回归机 | 第46-47页 |
| 4.3 本章小结 | 第47-48页 |
| 5 实验数据及结果分析 | 第48-70页 |
| 5.1 数据预处理 | 第48-49页 |
| 5.2 实验结果及分析 | 第49-68页 |
| 5.2.1 模型参数的选取 | 第49-55页 |
| 5.2.2 算法效果对比 | 第55-63页 |
| 5.2.3 算法耗时分析 | 第63-68页 |
| 5.3 本章小结 | 第68-70页 |
| 6 总结与展望 | 第70-72页 |
| 致谢 | 第72-74页 |
| 参考文献 | 第74-78页 |
| 附录 | 第78页 |
| A 作者在攻读学位期间参与的相关科研项目 | 第78页 |
| B 作者在攻读学位期间获得的专利 | 第78页 |
| C 作者在攻读学位期间获得的奖励 | 第78页 |
