摘要
1 绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.2.1 LSSVR算法的稀疏性研究现状
1.2.2 LSSVR算法的鲁棒性研究现状
1.2.3 LSSVR算法的参数优化研究现状
1.3 研究内容及创新
1.4 论文的组织结构
2 基础理论与相关知识
2.1.2 结构风险最小化原则(SRM)
2.2 支持向量机
2.2.1 线性可分支持向量分类机
2.2.2 线性不可分支持向量分类机
2.2.3 非线性支持向量分类机及核函数
2.2.4 支持向量回归机
2.3 最小二乘支持向量回归机
2.4 粒子群算法
3 基于改进粒子群的DIRLSSVR算法
3.1 基于密度迭代的稀疏LSSVR
3.2 基于IGGⅢ权函数的鲁棒LSSVR
3.3 基于改进粒子群的LSSVR参数优化
3.4 本章小结
4 实验及结果分析
4.2 数据描述与预处理
4.3 实验内容与分析
4.3.1 基于DIRLSSVR模型的稀疏性验证
4.3.2 基于IGGⅢ权函数的LSSVR鲁棒性验证
4.3.3 改进粒子群算法的参数寻优能力验证
4.4 本章小结
5 基于改进粒子群的DIRLSSVR算法在空气质量预测中的应用
5.1 数据描述与预处理
5.2 实验结果与分析
5.3 本章小结
6 总结与展望
6.1 研究总结
6.2 研究前景及展望
参考文献
附录
攻读学位期间取得的研究成果
致谢
声明
浙江师范大学;