| 摘要 | 第1-3页 |
| Abstract | 第3-7页 |
| 第一章 绪论 | 第7-13页 |
| ·论文选题的理论意义及实用价值 | 第7-9页 |
| ·国内外研究现状综述 | 第9-11页 |
| ·论文的主要内容 | 第11-13页 |
| 第二章 支持向量机的理论基础 | 第13-25页 |
| ·支持向量机的统计学习理论基础 | 第13-18页 |
| ·机器学习的相关理论 | 第13-15页 |
| ·推广性的界 | 第15-16页 |
| ·VC维 | 第16页 |
| ·结构风险最小化 | 第16-18页 |
| ·支持向量分类机 | 第18-24页 |
| ·线性可分下的支持向量机 | 第19-21页 |
| ·线性不可分问题 | 第21-22页 |
| ·核函数 | 第22-24页 |
| ·多类支持向量机 | 第24页 |
| ·本章小结 | 第24-25页 |
| 第三章 遗传算法 | 第25-32页 |
| ·遗传算法的基本原理 | 第25-27页 |
| ·遗传算法的研究 | 第27-31页 |
| ·参数编码 | 第27页 |
| ·初始种群的设定 | 第27-28页 |
| ·适应度函数 | 第28页 |
| ·遗传算子 | 第28-31页 |
| ·遗传算法的特点 | 第31页 |
| ·本章小结 | 第31-32页 |
| 第四章 空气质量评价模型的建立 | 第32-46页 |
| ·支持向量机模型的实现步骤 | 第32-33页 |
| ·数据预处理 | 第33-35页 |
| ·构造空气质量知识表达系统 | 第35-38页 |
| ·基于遗传算法的参数优化 | 第38-45页 |
| ·遗传算法的运行参数 | 第38-39页 |
| ·染色体编码 | 第39-40页 |
| ·适应度函数 | 第40-41页 |
| ·遗传操作 | 第41-42页 |
| ·遗传算法进行参数优化的步骤 | 第42-45页 |
| ·本章小结 | 第45-46页 |
| 第五章 模型的应用及实现 | 第46-59页 |
| ·实验环境介绍 | 第46页 |
| ·实验样本数据的选择和预处理 | 第46-47页 |
| ·支持向量机优化模型的算法描述 | 第47-48页 |
| ·支持向量机模型的训练与实验结果分析 | 第48-58页 |
| ·基于遗传算法的支持向量机与传统支持向量机之间的比较 | 第48-54页 |
| ·BP神经网络的分类预测 | 第54-56页 |
| ·RBF神经网络的分类预测 | 第56-58页 |
| ·实验结果分析 | 第58页 |
| ·本章小结 | 第58-59页 |
| 第六章 总结与展望 | 第59-61页 |
| ·论文总结 | 第59页 |
| ·未来展望 | 第59-61页 |
| 参考文献 | 第61-65页 |
| 后记 | 第65-66页 |