| 致谢 | 第1-7页 |
| 摘要 | 第7-9页 |
| Abstract | 第9-14页 |
| 插图清单 | 第14-16页 |
| 表格清单 | 第16-17页 |
| 符号列表 | 第17-19页 |
| 1 综述 | 第19-39页 |
| ·稳健回归技术简介 | 第19-26页 |
| ·稳健统计分析基本原理 | 第20-21页 |
| ·稳健回归发展现状 | 第21-25页 |
| ·异常检测发展现状 | 第25-26页 |
| ·光谱分析原理与多元校正技术 | 第26-33页 |
| ·光谱分析原理 | 第26-29页 |
| ·光谱多元校正技术概述 | 第29-33页 |
| ·光谱分析中的稳健回归技术 | 第33-36页 |
| ·应用背景 | 第33-34页 |
| ·光谱分析中稳健回归技术应用现状 | 第34-36页 |
| ·本文研究内容和创新点 | 第36-39页 |
| 2 基本方法介绍 | 第39-53页 |
| ·常用线性回归方法 | 第39-42页 |
| ·最小二乘(Least Square,LS) | 第39页 |
| ·主成分回归(Principal Component Regression,PCR) | 第39-41页 |
| ·偏最小二乘(Partial Least Squares,PLS) | 第41-42页 |
| ·支持向量机 | 第42-46页 |
| ·标准支持向量机(Support Vector Machine,SVM) | 第42-44页 |
| ·最小二乘支持向量机(Least Square Support Vector Machine,LS-SVM) | 第44-46页 |
| ·常用异常检测方法 | 第46-49页 |
| ·传统方法 | 第46-47页 |
| ·改进方法 | 第47-49页 |
| ·常用稳健回归方法 | 第49-53页 |
| ·M估计(M-estimators) | 第49-50页 |
| ·最小中位方差估计(Least Median of Squares,LMS) | 第50页 |
| ·最小修剪方差估计(Least Trimmed Squares,LTS) | 第50-51页 |
| ·稳健PCR算法(Robust Principal Component Regression,RPCR) | 第51页 |
| ·稳健PLS算法(Robust Partial Least Squares,RPLS) | 第51-53页 |
| 3 线性稳健回归新方法 | 第53-69页 |
| ·引言 | 第53-54页 |
| ·具有异常点检测的PLS算法(PLS_OD) | 第54-56页 |
| ·稳健局部主成份回归算法(RLPCR) | 第56-57页 |
| ·线性稳健回归方法在汽油品质NIR分析中的实验研究 | 第57-65页 |
| ·背景介绍与数据来源 | 第57-58页 |
| ·仪器与实验参数 | 第58页 |
| ·预处理与模型归一化 | 第58-61页 |
| ·异常数据检测 | 第61-62页 |
| ·建模、参数选择和评估指标 | 第62-63页 |
| ·RLPCR局部样本数的影响 | 第63-64页 |
| ·稳健性分析 | 第64-65页 |
| ·结论 | 第65-69页 |
| 4 迭代稳健支持向量机 | 第69-91页 |
| ·引言 | 第69-70页 |
| ·Robust LS-SVM(RLS-SVM)问题阐述 | 第70-71页 |
| ·RLS-SVM回归问题的迭代算法 | 第71-76页 |
| ·P-step | 第71-72页 |
| ·RLS-SVM迭代算法 | 第72-74页 |
| ·RLS-SVM快速算法 | 第74-76页 |
| ·算法性能研究 | 第76-86页 |
| ·仿真研究 | 第76-81页 |
| ·实验研究 | 第81-86页 |
| ·RLS-SVM在汽油品质拉曼光谱分析中的应用 | 第86-90页 |
| ·仪器与数据 | 第87-89页 |
| ·模型参数选择 | 第89页 |
| ·结果与讨论 | 第89-90页 |
| ·结论 | 第90-91页 |
| 5 加权最小二乘支持向量机改进方法 | 第91-109页 |
| ·引言 | 第91-92页 |
| ·加权最小二乘支持向量机稳健化迭代算法 | 第92-96页 |
| ·WLS-SVM原理 | 第92-94页 |
| ·WLS-SVM的稳健化迭代算法 | 第94-96页 |
| ·基于M估计器的支持向量机算法 | 第96-99页 |
| ·仿真研究 | 第99-103页 |
| ·参数选择与评估指标 | 第100-101页 |
| ·稳健性分析 | 第101-102页 |
| ·归精度分析 | 第102-103页 |
| ·RWLS-SVM的收敛性 | 第103页 |
| ·改进算法在BOPP物理指标红外光谱分析中的实验研究 | 第103-108页 |
| ·数据来源 | 第103-104页 |
| ·预处理 | 第104页 |
| ·参数选择与评估指标 | 第104-105页 |
| ·结果与讨论 | 第105-108页 |
| ·结论 | 第108-109页 |
| 6 广义最小二乘支持向量机 | 第109-125页 |
| ·引言 | 第109-110页 |
| ·广义最小二乘支持向量机 | 第110-113页 |
| ·仿真研究 | 第113-118页 |
| ·GLS-SVM在烟草质量近红外光谱分析中的实验研究 | 第118-123页 |
| ·背景与数据 | 第118页 |
| ·参数选择 | 第118-119页 |
| ·结果与讨论 | 第119-123页 |
| ·结论 | 第123-125页 |
| 7 结论与展望 | 第125-129页 |
| ·研究工作总结 | 第125-126页 |
| ·研究工作展望 | 第126-129页 |
| 参考文献 | 第129-145页 |
| 攻读博士期间发表及录用的论文 | 第145-146页 |
| 攻读博士期间参与的科研项目 | 第146-147页 |
| 攻读博士期间获得的专利及软件著作权 | 第147页 |
| 作者简介 | 第147页 |
