声明
摘要
1 综述
1.1 研究背景及意义
1.2 国内外研究现状
1.2.1 水质预测研究现状
1.2.2 水质综合评价研究现状
1.2.3 支持向量机研究现状
1.3 本文研究的主要内容及结构安排
1.4 本章小结
2 统计学习理论与支持向量机
2.1 机器学习的基本方法
2.1.1 学习问题的一般表示
2.1.2 经验风险最小化原则及其缺陷
2.2 统计学习理论的基本思想
2.2.1 VC维
2.2.2 泛化误差的边界
2.2.3 结构风险最小化原理
2.3 支持向量机
2.3.1 线性支持向量机
2.3.2 非线性支持向量机
2.4 本章小结
3 地表水质指标值预测的支持向量回归机方法
3.1 污染分析
3.1.1 单因子水质标识指数的组成
3.1.2 水质好于V类水上限值时,Xl和X2的确定
3.1.3 水质劣于或等于V类水上限值时,X1.X2的确定
3.1.4 X3的确定
3.1.5 黄河各断面污染物空间分布
3.2 支持向量回归机
3.2.1 线性支持向量回归机
3.2.2 非线性支持向量回归机
3.2.3 支持向量机核函数及其参数性能
3.3 基于支持向量回归机的地表水质指标值预测
3.3.1 研究资料
3.3.2 支持向量机水质指标值预测模型及实验
3.3.3 支持向量机与神经网络模型水质指标值预测结果比较
3.4 本章小结
4 基于支持向量机多值分类算法的地表水质综合评价研究
4.1 基于两值分类的SVM多值分类算法
4.1.1 “一对多"方法
4.1.2 “一对一”方法
4.1.3 DDAG多值分类方法
4.2 基于二叉树的支持向量机多值分类算法
4.2.1 训练样本的选择方案
4.2.2 算法实现
4.2.3 决策方案
4.3 基于二叉树的SVM多值分类算法的地表水质综合评价
4.3.1 水质评价标准
4.3.2 样本训练
4.3.3 模型测试及评价结果比较
4.4 本章小结
5 总结与展望
5.1 总结
5.2 展望
致谢
参考文献
附录
Ⅰ本人在攻读硕士学位期间完成的论文