基于支持向量机的水质评价和预测研究
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-7页 |
| RESUME | 第7-8页 |
| 目录 | 第8-10页 |
| 1 绪论 | 第10-23页 |
| ·研究的背景和意义 | 第10页 |
| ·国内外水质预测的研究现状 | 第10-16页 |
| ·指数平滑法预测 | 第11-13页 |
| ·灰色系统预测 | 第13-15页 |
| ·人工神经网络预测 | 第15-16页 |
| ·国内外水质评价的研究现状 | 第16-20页 |
| ·指数评价法 | 第16-17页 |
| ·模糊理论法 | 第17-19页 |
| ·人工神经网络法 | 第19-20页 |
| ·支持向量机在水质状况评价和预测中的应用 | 第20-21页 |
| ·本文的内容安排 | 第21-23页 |
| 2 统计学习理论 | 第23-30页 |
| ·机器学习问题 | 第23-26页 |
| ·问题的表示 | 第23-25页 |
| ·经验风险最小化原则(ERM) | 第25-26页 |
| ·统计学习理论 | 第26-29页 |
| ·VC维 | 第26-27页 |
| ·推广的界 | 第27页 |
| ·结构风险最小化原则(SRM) | 第27-29页 |
| ·本章小结 | 第29-30页 |
| 3 支持向量机回归在地下水水质预测中的应用 | 第30-39页 |
| ·支持向量机回归 | 第30-34页 |
| ·线性支持向量回归 | 第30-32页 |
| ·非线性支持向量回归 | 第32-33页 |
| ·核函数和损失函数 | 第33-34页 |
| ·地下水水质预测 | 第34-38页 |
| ·研究资料 | 第34页 |
| ·支持向量机水质预测模型与学习实验 | 第34-36页 |
| ·支持向量机与神经网络模型水质预测结果比较 | 第36-38页 |
| ·本章小结 | 第38-39页 |
| 4 支持向量分类在地下水水质评价中的应用 | 第39-60页 |
| ·支持向量机分类 | 第39-49页 |
| ·线性支持向量分类 | 第39-43页 |
| ·非线性支持向量分类 | 第43-45页 |
| ·核函数 | 第45-47页 |
| ·多类支持向量分类 | 第47-49页 |
| ·地下水水质评价 | 第49-57页 |
| ·研究资料 | 第49-50页 |
| ·支持向量分类法模型与学习实验 | 第50-55页 |
| ·支持向量机与其它模型水质分析结果比较 | 第55-57页 |
| ·混合支持向量机模型的水质评价模型 | 第57-59页 |
| ·本章小结 | 第59-60页 |
| 5 总结与展望 | 第60-62页 |
| ·总结 | 第60-61页 |
| ·展望 | 第61-62页 |
| 参考文献 | 第62-65页 |
| 附录：实验程序 | 第65-71页 |
| 致谢 | 第71页 |
