支持向量机在水质评价及预测中的应用研究
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-10页 |
| 第1章 绪论 | 第10-16页 |
| ·研究背景和意义 | 第10-11页 |
| ·国内外研究进展 | 第11-13页 |
| ·水质评价研究现状 | 第11-12页 |
| ·水质预测研究现状 | 第12-13页 |
| ·支持向量机在水质评价及预测中的应用分析 | 第13-14页 |
| ·本文研究内容与组织结构 | 第14-16页 |
| 第2章 统计学习理论与支持向量机 | 第16-33页 |
| ·引言 | 第16页 |
| ·统计学习理论的基础 | 第16-21页 |
| ·学习问题的一般表示 | 第16-18页 |
| ·经验风险最小化原则 | 第18-19页 |
| ·VC维和推广性的界 | 第19-20页 |
| ·结构风险最小化原则 | 第20-21页 |
| ·支持向量机原理 | 第21-28页 |
| ·线性支持向量机 | 第22-25页 |
| ·非线性可分问题 | 第25-26页 |
| ·基于核方法的非线性支持向量机 | 第26-28页 |
| ·支持向量机算法综述 | 第28-32页 |
| ·修改优化算法 | 第28页 |
| ·分解算法 | 第28-29页 |
| ·多类SVM算法 | 第29-32页 |
| ·基于核的算法 | 第32页 |
| ·本章小结 | 第32-33页 |
| 第3章 基于支持向量机的水质评价 | 第33-53页 |
| ·引言 | 第33页 |
| ·SVM参数的重要性 | 第33-35页 |
| ·核参数 | 第33-34页 |
| ·惩罚系数 | 第34-35页 |
| ·SVM参数优化方法 | 第35-40页 |
| ·网格搜索法 | 第36-37页 |
| ·遗传算法 | 第37-38页 |
| ·粒子群优化算法 | 第38-40页 |
| ·基干混沌粒子群的SVM参数优化 | 第40-44页 |
| ·混沌粒了群算法 | 第40-42页 |
| ·参数优化实验 | 第42-44页 |
| ·基于SVM的水质评价 | 第44-52页 |
| ·研究资料 | 第44-45页 |
| ·建立学习样本 | 第45-46页 |
| ·基于1-a-r的SVM水质评价模型 | 第46-47页 |
| ·基于3-a-3的SVM水质评价模型 | 第47-48页 |
| ·SVM水质评价模型的实现 | 第48-50页 |
| ·与其它水质评价方法比较 | 第50-52页 |
| ·本章小结 | 第52-53页 |
| 第4章 基于支持向量机的水质预测 | 第53-72页 |
| ·引言 | 第53页 |
| ·小波分析 | 第53-57页 |
| ·连续小波变换 | 第54页 |
| ·离散小波变换 | 第54-55页 |
| ·多分辨分析 | 第55-56页 |
| ·Mallat算法 | 第56-57页 |
| ·回归型支持向量机 | 第57-61页 |
| ·ε-不敏感误差函数 | 第58-59页 |
| ·SVM回归分析 | 第59-61页 |
| ·基于小波分析和回归型SVM的水质预测 | 第61-71页 |
| ·研究资料 | 第61-62页 |
| ·SVM水质预测模型构建 | 第62-66页 |
| ·SVM水质预测的实现 | 第66-67页 |
| ·与BP神经网络预测比较 | 第67-71页 |
| ·本章小结 | 第71-72页 |
| 第5章 结论与展望 | 第72-74页 |
| ·结论 | 第72-73页 |
| ·展望 | 第73-74页 |
| 参考文献 | 第74-78页 |
| 致谢 | 第78-79页 |
| 攻读学位期间参加的科研项目和成果 | 第79页 |
