| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第10-15页 |
| 1.1 引言 | 第10页 |
| 1.2 研究目的与意义 | 第10-11页 |
| 1.3 国内外研究现状 | 第11-13页 |
| 1.4 本文主要研究工作 | 第13-15页 |
| 2 支持向量机理论基础 | 第15-25页 |
| 2.1 统计学习理论与结构风险最小化准则 | 第15-16页 |
| 2.2 支持向量机分类理论 | 第16-19页 |
| 2.3 支持向量机回归理论 | 第19-21页 |
| 2.4 核函数 | 第21-22页 |
| 2.5 支持向量机模型的建立 | 第22-23页 |
| 2.6 本章小结 | 第23-25页 |
| 3 地下建筑空气质量预测模型的建立 | 第25-33页 |
| 3.1 地下建筑环境概况 | 第25-26页 |
| 3.2 地下建筑空气污染物概况 | 第26页 |
| 3.3 地下建筑空气质量评价体系 | 第26-27页 |
| 3.4 基于PSO-SVM的地下建筑空气质量预测模型 | 第27-32页 |
| 3.5 本章小结 | 第32-33页 |
| 4 基于典型地下建筑的空气质量的多种预测模型实证分析 | 第33-49页 |
| 4.1 预测模型算法实现环境简介 | 第33页 |
| 4.2 样本数据的采集与选取 | 第33-37页 |
| 4.3 样本数据预处理及模型预测精度评价标准 | 第37-38页 |
| 4.4 基于传统SVM回归预测模型的训练与预测结果分析 | 第38-41页 |
| 4.5 基于GA-SVM回归预测模型的训练与预测结果分析 | 第41-45页 |
| 4.6 基于PSO-SVM回归预测模型的训练与预测结果分析 | 第45-48页 |
| 4.7 本章小结 | 第48-49页 |
| 5 结论与展望 | 第49-51页 |
| 5.1 结论 | 第49-50页 |
| 5.2 展望 | 第50-51页 |
| 致谢 | 第51-52页 |
| 参考文献 | 第52-55页 |
