基于支持向量机的环境数据分析与处理
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 目录 | 第7-9页 |
| 1 绪论 | 第9-12页 |
| 1.1 选题背景及研究意义 | 第9页 |
| 1.2 支持向量机研究现状 | 第9-11页 |
| 1.2.1 SVM算法方面的研究 | 第10页 |
| 1.2.2 SVM方面的研究应用 | 第10-11页 |
| 1.3 本文主要内容 | 第11-12页 |
| 2 支持向量机理论 | 第12-20页 |
| 2.1 机器学习及其发展历史 | 第12页 |
| 2.2 机器学习的基本问题 | 第12-13页 |
| 2.3 统计学习理论 | 第13-15页 |
| 2.4 支持向量机理论思想 | 第15-20页 |
| 3 环境数据分析与处理的几种方法 | 第20-31页 |
| 3.1 回归法分析 | 第20-26页 |
| 3.1.1 多元回归分析主要思想 | 第20-21页 |
| 3.1.2 回归法实现 | 第21-26页 |
| 3.1.3 结果分析 | 第26页 |
| 3.2 BP神经网络 | 第26-31页 |
| 3.2.1 BP神经网络理论思想 | 第26-28页 |
| 3.2.2 BP神经网络的实现 | 第28-30页 |
| 3.2.3 结果分析 | 第30-31页 |
| 4 基于支持向量机的环境数据分析 | 第31-38页 |
| 4.1 建立模型的步骤 | 第31-33页 |
| 4.2 支持向量机分析元素分布变化趋势 | 第33-36页 |
| 4.2.1 计算过程 | 第33页 |
| 4.2.2 核函数及参数的选择 | 第33-35页 |
| 4.2.3 长株潭地区土壤重金属元素含量分析 | 第35-36页 |
| 4.3 结果分析 | 第36-38页 |
| 5 几种方法优缺点的比较与分析 | 第38-44页 |
| 5.1 模型评价指标 | 第38-39页 |
| 5.2 模型比较 | 第39-40页 |
| 5.3 各种方法的优点与缺点 | 第40-44页 |
| 6 总结与展望 | 第44-46页 |
| 6.1 结论 | 第44页 |
| 6.2 展望 | 第44-46页 |
| 参考文献 | 第46-51页 |
| 附录 | 第51-57页 |
| 致谢 | 第57页 |
