| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.1.1 研究背景 | 第10页 |
| 1.1.2 研究意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 本文研究内容 | 第13页 |
| 1.4 本文结构安排 | 第13-16页 |
| 第二章 水质预测模型相关算法概述 | 第16-24页 |
| 2.1 主成分分析法 | 第16-18页 |
| 2.1.1 主成分分析法原理 | 第16页 |
| 2.1.2 主成分分析法提取主成分 | 第16-18页 |
| 2.1.3 主成分分析法在水质预测模型中的优缺点 | 第18页 |
| 2.2 遗传算法 | 第18-24页 |
| 2.2.1 遗传算法起源及简介 | 第18-19页 |
| 2.2.2 遗传算法结构 | 第19-22页 |
| 2.2.3 遗传算法目前存在的问题 | 第22-24页 |
| 第三章 非线性回归模型 | 第24-34页 |
| 3.1 BP神经网络 | 第24-27页 |
| 3.1.1 人工神经神经网络概述 | 第24页 |
| 3.1.2 BP神经网络原理 | 第24-25页 |
| 3.1.3 三层BP神经网络算法原理数学推导 | 第25-27页 |
| 3.1.4 BP神经网络的缺陷 | 第27页 |
| 3.2 支持向量机 | 第27-31页 |
| 3.2.1 支持向量机理论 | 第27-31页 |
| 3.3 支持向量回归机原理 | 第31-33页 |
| 3.3.1 线性回归问题 | 第32-33页 |
| 3.3.2 非线性回归问题 | 第33页 |
| 3.4 支持向量回归机在水质预测模型中的不足 | 第33-34页 |
| 第四章 基于PLS和SVR水质预测模型 | 第34-44页 |
| 4.1 偏最小二乘回归法 | 第34-39页 |
| 4.1.1 偏最小二乘回归法的基本概念 | 第34页 |
| 4.1.2 偏最小二乘回归法的基本步骤 | 第34-37页 |
| 4.1.3 偏最小二乘回归模型的辅助分析 | 第37-38页 |
| 4.1.4 偏最小二乘回归法相较于主成分分析法的优势 | 第38-39页 |
| 4.2 改进型遗传算法 | 第39-40页 |
| 4.3 改进型遗传算法具体实现方法 | 第40-41页 |
| 4.4 基于PLS和SVR水质预测模型的提出 | 第41-44页 |
| 第五章 基于PLS和SVR水质预测模型在弥苴河的实际应用 | 第44-58页 |
| 5.1 数据来源 | 第44页 |
| 5.2 主成分分析法和偏最小二乘回归在水质预测中的应用 | 第44-50页 |
| 5.2.1 主成分分析法提取主成分 | 第44-47页 |
| 5.2.2 偏最小二乘回归法提取成分 | 第47-50页 |
| 5.3 改进型遗传算法优化支持向量回归机模型参数的确定 | 第50-52页 |
| 5.4 仿真结果及模型对比分析 | 第52-58页 |
| 5.4.1 弥苴河水质高猛酸盐含量预测值与真实值比较 | 第52-56页 |
| 5.4.2 三种水质预测模型误差对比分析 | 第56页 |
| 5.4.3 仿真实验结果分析 | 第56-58页 |
| 第六章 总结与展望 | 第58-60页 |
| 6.1 研究内容总结 | 第58-59页 |
| 6.2 下一步研究方向 | 第59-60页 |
| 致谢 | 第60-62页 |
| 参考文献 | 第62-66页 |
| 附录A 攻读硕士期间所取得的成果 | 第66-68页 |
| 附录B Matlab核心代码 | 第68-70页 |
| B-1 改进遗传算法的交叉概率 | 第68-69页 |
| B-2 改进遗传算法的变异概率 | 第69-70页 |
