万有引力算法的改进及在板形模式识别中的应用
| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第1章 绪论 | 第10-18页 |
| ·课题背景及研究的目的和意义 | 第10-12页 |
| ·启发式优化算法综述 | 第12-14页 |
| ·启发式优化算法的研究现状 | 第12-13页 |
| ·万有引力算法的研究现状 | 第13-14页 |
| ·板形模式识别综述 | 第14-17页 |
| ·板形的概念 | 第14-15页 |
| ·板形的描述 | 第15页 |
| ·板形的研究现状 | 第15-17页 |
| ·研究内容与结构安排 | 第17-18页 |
| 第2章 万有引力算法 | 第18-27页 |
| ·万有引力算法 (GSA) | 第18-22页 |
| ·基于权值的万有引力算法 (WGSA) | 第22-24页 |
| ·基于反学习的万有引力算法 (OBGSA) | 第24-26页 |
| ·本章小结 | 第26-27页 |
| 第3章 板形识别相关理论知识 | 第27-38页 |
| ·常用的板形模式识别方法 | 第27-31页 |
| ·基于勒让德正交多项式的模式识别法 | 第27-28页 |
| ·改进的最小二乘识别法 | 第28-29页 |
| ·GA-BP 神经网络模型 | 第29-31页 |
| ·支持向量回归机 | 第31-37页 |
| ·经验风险最小化和结构风险最小化 | 第31-32页 |
| ·支持向量回归机的数学模型 | 第32-36页 |
| ·核函数 | 第36-37页 |
| ·本章小结 | 第37-38页 |
| 第4章 万有引力算法的改进 | 第38-49页 |
| ·改进的万有引力算法 (IGSA) | 第38-39页 |
| ·算法分析及参数说明 | 第39-41页 |
| ·测试实验 | 第41-48页 |
| ·测试函数 | 第41-43页 |
| ·参数设置与实验结果 | 第43-48页 |
| ·本章小结 | 第48-49页 |
| 第5章 基于支持向量机的板形数据模式识别 | 第49-57页 |
| ·板形数据模式识别的支持向量回归机模型 | 第49-50页 |
| ·模型建立与参数优化 | 第50-51页 |
| ·仿真实验与结果分析 | 第51-56页 |
| ·本章小结 | 第56-57页 |
| 结论 | 第57-58页 |
| 参考文献 | 第58-63页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第63-64页 |
| 致谢 | 第64-66页 |
| 作者简介 | 第66页 |
