基于支持向量机的径向基网络基函数中心确定方法研究
| 摘要 | 第8-9页 |
| 英文摘要 | 第9-10页 |
| 1 引言 | 第11-17页 |
| 1.1 研究的目的与意义 | 第11-12页 |
| 1.2 国内外研究动态 | 第12-15页 |
| 1.2.1 国内外研究动态 | 第12-14页 |
| 1.2.2 国内外研究动态分析 | 第14-15页 |
| 1.3 研究内容、方法和技术路线 | 第15-17页 |
| 1.3.1 研究内容 | 第15页 |
| 1.3.2 研究方法 | 第15-16页 |
| 1.3.3 研究的技术路线 | 第16-17页 |
| 2 RBF神经网络 | 第17-32页 |
| 2.1 人工神经网络概述 | 第17-20页 |
| 2.2 RBF神经网络的原理 | 第20-24页 |
| 2.2.1 RBF神经网络基本思想 | 第20-21页 |
| 2.2.2 RBF神经网络模型 | 第21-24页 |
| 2.3 RBF神经网络性能分析 | 第24-26页 |
| 2.4 RBF神经网络的学习方法 | 第26-31页 |
| 2.5 本章小结 | 第31-32页 |
| 3 基于SVC聚类的基函数中心确定方法 | 第32-54页 |
| 3.1 支持向量机 | 第32-45页 |
| 3.1.1 统计学习理论与SVM | 第32-34页 |
| 3.1.2 线性可分支持向量机与硬间隔最大化 | 第34-40页 |
| 3.1.3 线性支持向量机与软间隔最大化 | 第40-42页 |
| 3.1.4 非线性支持向量机与核函数 | 第42-45页 |
| 3.2 支持向量机聚类 | 第45-48页 |
| 3.2.1 支持向量机聚类 | 第45-46页 |
| 3.2.2 支持向量机聚类算法 | 第46-48页 |
| 3.3 SVC聚类效果分析 | 第48-50页 |
| 3.4 基函数中心和个数的确定 | 第50-52页 |
| 3.5 本章小结 | 第52-54页 |
| 4 基于SVC的RBF神经网络的应用与分析 | 第54-62页 |
| 4.1 在函数拟合问题中的应用 | 第54-57页 |
| 4.2 在分类问题上的应用 | 第57-59页 |
| 4.3 在非线性时间序列预测问题上的应用 | 第59-61页 |
| 4.4 本章小结 | 第61-62页 |
| 5 结论与讨论 | 第62-63页 |
| 5.1 结论 | 第62页 |
| 5.2 讨论与展望 | 第62-63页 |
| 致谢 | 第63-64页 |
| 参考文献 | 第64-68页 |
| 攻读硕士学位期间发表的学术论文 | 第68页 |
