声明
摘要
第一章 绪论
第一节 研究背景
1.1.1 机器学习
1.1.2 神经网络
1.1.3 决策树
1.1.4 支持向量机
1.1.5 集成学习
第二节 国内外发展现状
1.2.1 个体学习器生成
1.2.2 结论集成
第三节 本文的主要工作
第四节 论文的组织结构
第二章 训练子集提取和个体学习器训练
第一节 训练集生成方法
2.1.1 Bagging方法
2.1.2 Boosting算法
2.1.3 随机子空间提取子集方法
第二节 个体学习器训练方法
2.2.1 神经网络模型
2.2.2 决策树
2.2.3 当前常见个体学习器差异度分析方法
2.2.4 本文提出个体学习器差异度分析方法
2.2.5 训练个体生成器过程
第三章 (DT+BP)_SVM算法结论集成
第一节 支持向量机
3.1.1 最佳分离超平面
3.1.2 不存在最佳超平面情况
3.1.3 核函数
第二节 个体学习器集成过程
第四章 (DT+BP)_SVM在灰霾预测中的应用研究
第一节 灰霾及灰霾预测
第二节 灰霾预测实验数据准备和实验方案设计
4.2.1 实验数据准备
4.2.2 实验方案设计
第三节 实验结果
4.3.1 BP神经网络的预测结果
4.3.2 决策树预测结果
4.3.3 AdaBoost.M1和(DT+BP)_SVM预测结果
第四节 预测结果分析
第五章 总结与展望
第一节 总结
第二节 下一步工作
参考文献
致谢
个人简历