| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 课题研究背景和意义 | 第11-13页 |
| 1.1.1 课题背景 | 第11-12页 |
| 1.1.2 研究意义 | 第12-13页 |
| 1.2 国内外研究研究现状 | 第13-14页 |
| 1.2.1 国内研究现状 | 第13-14页 |
| 1.2.2 国外研究现状 | 第14页 |
| 1.3 决策树算法研究现状 | 第14-16页 |
| 1.4 论文的主要研究内容及结构 | 第16-19页 |
| 第2章 相关数据分析与处理 | 第19-27页 |
| 2.1 研究区域与数据 | 第19-21页 |
| 2.2 基于PCA的特征提取 | 第21-22页 |
| 2.2.1 主成分分析方法 | 第21-22页 |
| 2.3 基于PLS的特征提取 | 第22-26页 |
| 2.3.1 偏最小二乘方法 | 第22页 |
| 2.3.2 偏最小二乘法提取特征变量 | 第22-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第3章 传统预测模型 | 第27-41页 |
| 3.1 BP神经网络 | 第27-30页 |
| 3.1.1 BP神经网络的基本原理 | 第27-28页 |
| 3.1.2 BP神经网络学习流程及学习算法 | 第28-30页 |
| 3.1.3 BP神经网络的特点 | 第30页 |
| 3.2 ID3决策树算法 | 第30-32页 |
| 3.2.1 ID3算法的基本思想 | 第30-32页 |
| 3.2.2 ID3算法描述 | 第32页 |
| 3.2.3 ID3算法的特点 | 第32页 |
| 3.3 基本回归学习模型 | 第32-37页 |
| 3.3.1 线性回归模型 | 第32-33页 |
| 3.3.2 回归树模型 | 第33-36页 |
| 3.3.3 回归树模型的特点 | 第36-37页 |
| 3.4 M5P模型树 | 第37-40页 |
| 3.4.1 M5P模型树的基本思想 | 第37-38页 |
| 3.4.2 M5P算法描述 | 第38-39页 |
| 3.4.3 M5P算法的特点 | 第39-40页 |
| 3.5 本章小结 | 第40-41页 |
| 第4章 预测模型的搭建与结果分析 | 第41-53页 |
| 4.1 PLS-M5P模型的搭建与结果分析 | 第41-46页 |
| 4.1.1 PLS-M5P模型的搭建 | 第41-42页 |
| 4.1.2 PLS-M5P在PM_(2.5)浓度预测上的应用 | 第42-46页 |
| 4.2 M5P和PCA-M5P在PM_(2.5)浓度预测上的应用 | 第46-49页 |
| 4.2.1 M5P在PM_(2.5)浓度预测上的应用 | 第46-48页 |
| 4.2.2 PCA-M5P在PM_(2.5)浓度预测上的应用 | 第48-49页 |
| 4.3 BP神经网络在PM_(2.5)浓度预测上的应用 | 第49-50页 |
| 4.4 预测模型在PM_(2.5)浓度预测上的综合对比 | 第50-52页 |
| 4.4.1 预测模型的评价指标 | 第50-51页 |
| 4.4.2 预测模型的结果分析 | 第51-52页 |
| 4.5 本章小结 | 第52-53页 |
| 第5章 PM_(2.5)Web预测系统的设计与实现 | 第53-63页 |
| 5.1 系统的需求分析与开发计划 | 第53-55页 |
| 5.1.1 系统的开发需求 | 第53-54页 |
| 5.1.2 开发计划 | 第54-55页 |
| 5.2 系统开发方案设计 | 第55-57页 |
| 5.2.1 开发方案 | 第55-56页 |
| 5.2.2 关键技术 | 第56-57页 |
| 5.3 系统功能设计与实现 | 第57-62页 |
| 5.3.1 系统开发环境 | 第58页 |
| 5.3.2 后台数据库和Tomcat服务器 | 第58-59页 |
| 5.3.3 Web页面客户端 | 第59-62页 |
| 5.4 本章小结 | 第62-63页 |
| 结论与展望 | 第63-65页 |
| 参考文献 | 第65-71页 |
| 攻读硕士学位期间取得的研究成果 | 第71-73页 |
| 致谢 | 第73-74页 |
