| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-20页 |
| 1.1 选题背景、目的及意义 | 第11-12页 |
| 1.1.1 选题背景 | 第11页 |
| 1.1.2 选题目的 | 第11-12页 |
| 1.1.3 选题意义 | 第12页 |
| 1.2 国内外研究现状 | 第12-16页 |
| 1.2.1 国外研究现状 | 第12-14页 |
| 1.2.2 国内研究现状 | 第14-16页 |
| 1.3 研究内容、方法与思路 | 第16-18页 |
| 1.3.1 研究内容 | 第16页 |
| 1.3.2 研究方法 | 第16-17页 |
| 1.3.3 研究思路 | 第17-18页 |
| 1.4 论文创新之处 | 第18-19页 |
| 1.4.1 方法应用 | 第18-19页 |
| 1.4.2 评价体系 | 第19页 |
| 1.5 本章小结 | 第19-20页 |
| 第二章 相关理论基础 | 第20-25页 |
| 2.1 新型城镇化理论 | 第20-21页 |
| 2.1.1 新型城镇化的发展过程 | 第20页 |
| 2.1.2 新型城镇化的内涵 | 第20-21页 |
| 2.1.3 新型城镇化的特征 | 第21页 |
| 2.2 城镇化质量理论 | 第21-23页 |
| 2.2.1 城镇化质量的内涵 | 第21-22页 |
| 2.2.2 城镇化质量的特征 | 第22-23页 |
| 2.3 新型城镇化与城镇化质量的关系 | 第23页 |
| 2.4 评价方法研究 | 第23-24页 |
| 2.4.1 传统评价方法 | 第23-24页 |
| 2.4.2 基于智能集成算法的评价方法 | 第24页 |
| 2.5 本章小结 | 第24-25页 |
| 第三章 智能集成评价方法研究 | 第25-36页 |
| 3.1 智能集成概念及应用 | 第25-26页 |
| 3.2 支持向量机的回归原理 | 第26-28页 |
| 3.2.1 支持向量机的概念 | 第26页 |
| 3.2.2 支持向量机回归原理 | 第26-28页 |
| 3.3 遗传算法优化支持向量机(GA-SVM)理论 | 第28-29页 |
| 3.3.1 遗传算法原理 | 第28页 |
| 3.3.2 遗传算法优化支持向量机的原理 | 第28-29页 |
| 3.4 粒子群算法优化支持向量机(PSO-SVM)理论 | 第29-31页 |
| 3.4.1 粒子群算法原理 | 第29页 |
| 3.4.2 粒子群算法优化支持向量机的原理 | 第29-31页 |
| 3.5 蚁群算法优化支持向量机(ACO-SVM)理论 | 第31-33页 |
| 3.5.1 蚁群算法原理 | 第31页 |
| 3.5.2 蚁群算法优化支持向量机的原理 | 第31-33页 |
| 3.6 智能集成算法模型的构建 | 第33-35页 |
| 3.6.1 智能集成模型的基本形式 | 第33-34页 |
| 3.6.2 构建智能集成算法模型 | 第34-35页 |
| 3.7 本章小结 | 第35-36页 |
| 第四章 基于智能集成算法的新型城镇化质量评价实证研究 | 第36-51页 |
| 4.1 新型城镇化质量评价指标体系的构建 | 第36-43页 |
| 4.1.1 新型城镇化质量评价指标体系建立的基本原则 | 第36-37页 |
| 4.1.2 新型城镇化质量评价指标体系的建立 | 第37-43页 |
| 4.2 基于智能集成的城市新型城镇化质量实证评价 | 第43-47页 |
| 4.2.1 智能集成算法实证评价 | 第43-46页 |
| 4.2.2 新型城镇化质量评价结果分析 | 第46-47页 |
| 4.3 新型城镇化质量对比分析及思考 | 第47-50页 |
| 4.3.1 高质量地区 | 第47-48页 |
| 4.3.2 质量较高地区 | 第48-49页 |
| 4.3.3 质量一般地区 | 第49页 |
| 4.3.4 质量较低地区 | 第49-50页 |
| 4.4 本章小结 | 第50-51页 |
| 第五章 总结与展望 | 第51-53页 |
| 5.1 主要结论与研究成果 | 第51页 |
| 5.2 研究不足与展望 | 第51-53页 |
| 5.2.1 主要结论与研究成果 | 第51页 |
| 5.2.2 智能集成模型问题 | 第51-53页 |
| 参考文献 | 第53-55页 |
| 附录 | 第55-61页 |
| 致谢 | 第61-62页 |
| 读研期间主要科技成果 | 第62页 |
| 读研期间主要参与课题研究 | 第62页 |
