摘要
1 绪论
1.1 课题研究背景及意义
1.1.1 课题研究背景
1.1.2 研究意义
1.2 国内外发展现状
1.2.1 水质预测研究现状
1.2.2 本文采用的算法可行性分析
1.3 本文的主要工作和结构安排
1.4 本章小结
2 基于BBO控制变量寻优的SVM水质预测
2.1 基于BBO控制变量寻优的水质预测原理
2.1.1 生物地理学优化算法
2.1.2 生物地理学算法的基本原理
2.2 生物地理学的基本操作
2.2.1 生物地理学算法的基本操作
2.2.2 生物地理学优化算法流程
2.3 基于BBO控制变量寻优的SVR水质预测
2.3.1 数据来源
2.3.2 SVR核函数选择以及实验参数设置
2.3.3 实验
2.4 基于BBO-DE控制变量寻优的SVR水质预测
2.4.1 BBO-DE算法
2.4.2 SVR核函数选择以及实验参数设置
2.5 基于BBO控制变量寻优的水质预测GUI界面
2.6 本章小结
3 基于关联向量机回归的水质预测
3.1 关联向量机水质参数预测模型
3.1.1 关联向量机回归原理
3.1.2 关联向量机预测置信区间计算
3.2 基于关联向量机的水质参数预测
3.2.1 关联向量机核函数选择及控制变量设置
3.2.2 关联向量机水质预测方法
3.3 实验
3.3.1 基于关联向量机的水质预测结果
3.3.2 关联向量机与支持向量机预测结果比较
3.4 基于关联向量机回归的水质预测GUI界面
3.5 本章小结
4 基于在线贯序极限学习机水质预测
4.1 在线贯序ELM算法原理
4.1.1 在线贯序ELM算法原理
4.1.2 在线贯序ELM水质参数预测步骤
4.2 在线贯序ELM水质预测
4.2.1 实验参数设置
4.2.2 在线贯序ELM水质预测结果
4.2.3 在线序列ELM预测模型与人工神经网络预测模型的比较
4.3 基于在线贯序极限学习机的水质预测GUI界面
4.4 本章小结
5 基于深度信念网络的水质预测
5.1 深度学习
5.2 深度信念网络
5.2.1 受限玻尔兹曼机
5.2.2 深度信念网络的学习
5.3 实验
5.3.1 实验参数设置
5.3.2 实验结果
5.3.3 基于SVM、RVM、OS-ELM以及DBN四种水质预测模型的比较
5.4 结论
6 总结与展望
6.1 论文工作总结
6.2 研究展望
参考文献
攻读硕士学位期间取得的研究成果
致谢
声明