| 中文摘要 | 第1-4页 |
| 英文摘要 | 第4-8页 |
| 1 绪论 | 第8-11页 |
| ·研究现状及研究意义 | 第8-9页 |
| ·研究现状 | 第8-9页 |
| ·研究的意义 | 第9页 |
| ·本文研究的目的和研究内容 | 第9-11页 |
| ·本文研究的目的 | 第9-10页 |
| ·本文研究的主要内容 | 第10-11页 |
| 2 特征选择 | 第11-21页 |
| ·特征选择的定义 | 第11页 |
| ·特征选择的分类 | 第11-19页 |
| ·特征的归一化 | 第12页 |
| ·Filter 法 | 第12-16页 |
| ·Wrapper 法 | 第16-19页 |
| ·特征评估 | 第19-20页 |
| ·本章小结 | 第20-21页 |
| 3 支持向量回归基本原理 | 第21-29页 |
| ·统计学习理论的基本思想 | 第21-23页 |
| ·支持向量机 | 第23-26页 |
| ·支持向量机简介 | 第23-24页 |
| ·核函数 | 第24-25页 |
| ·支持向量回归基本原理 | 第25-26页 |
| ·常见的支持向量回归机 | 第26-28页 |
| ·多输出支持向量回归机 | 第26-27页 |
| ·最小二乘支持向量回归机 | 第27-28页 |
| ·本章小结 | 第28-29页 |
| 4 几种常用的回归方法 | 第29-32页 |
| ·广义回归神经网络 | 第29页 |
| ·多元线性回归 | 第29-30页 |
| ·岭回归(RR) | 第30-31页 |
| ·岭参数的引入 | 第30-31页 |
| ·岭参数的求解 | 第31页 |
| ·本章小结 | 第31-32页 |
| 5 基于特征选择和支持向量回归的材料物理性能预测 | 第32-51页 |
| ·基于灵敏度分析和SVR 的超导元素超导电性T_C的预测研究 | 第32-36页 |
| ·数据 | 第32-33页 |
| ·模型的建立 | 第33-34页 |
| ·结果分析与讨论 | 第34-36页 |
| ·结论 | 第36页 |
| ·基于拓扑指数的掺杂MgB_2 超导体系的超导转变温度T_C的SVR 预测 | 第36-41页 |
| ·数据 | 第37-40页 |
| ·结果分析与讨论 | 第40页 |
| ·结论 | 第40-41页 |
| ·沥青生产过程中软化点的SVR 预测研究 | 第41-44页 |
| ·数据 | 第41页 |
| ·模型的建立 | 第41页 |
| ·结果分析与讨论 | 第41-44页 |
| ·结论 | 第44页 |
| ·以Ni/Al 为底层等离子喷涂Fe0_4 粉的结合强度的工艺参数寻优 | 第44-51页 |
| ·数据 | 第45-46页 |
| ·模型的建立 | 第46页 |
| ·结果分析与讨论 | 第46-49页 |
| ·结论 | 第49-51页 |
| 6 结论与展望 | 第51-53页 |
| ·主要结论 | 第51页 |
| ·后续研究工作的展望 | 第51-53页 |
| 致谢 | 第53-54页 |
| 参考文献 | 第54-59页 |
| 附录：作者在攻读硕士学位期间发表的论文目录 | 第59页 |
