| 中文摘要 | 第1-5页 |
| 英文摘要 | 第5-13页 |
| 1 绪论 | 第13-21页 |
| ·研究问题的提出 | 第13-15页 |
| ·支持向量回归机的研究进展 | 第15-17页 |
| ·论文选题的目的、意义及研究的内容 | 第17-19页 |
| ·论文的主要工作内容及组织 | 第19-21页 |
| 2 支持向量回归机的基本理论 | 第21-41页 |
| ·机器学习理论 | 第21-22页 |
| ·模式分类 | 第21页 |
| ·回归（函数）估计 | 第21-22页 |
| ·统计学习理论 | 第22-27页 |
| ·经验风险最小化准则 | 第22-23页 |
| ·统计学习理论研究的核心内容 | 第23页 |
| ·统计学习一致性的条件 | 第23-24页 |
| ·VC 维与推广性的界 | 第24-25页 |
| ·结构风险最小化准则 | 第25-27页 |
| ·支持向量回归机的基本理论 | 第27-33页 |
| ·二分类问题的最优分类超平面 | 第27-31页 |
| ·支持向量回归机的超平面 | 第31-33页 |
| ·支持向量回归机的基本算法简介 | 第33-40页 |
| ·硬ε-SVR | 第33-35页 |
| ·C-SVR | 第35-36页 |
| ·V-SVR | 第36-37页 |
| ·Chunking 算法 | 第37-38页 |
| ·Decomposition 算法 | 第38-39页 |
| ·SMO 算法 | 第39-40页 |
| ·本章小结 | 第40-41页 |
| 3 从近似超平面到支持向量回归机的算法研究及应用 | 第41-69页 |
| ·引言 | 第41页 |
| ·算法思想 | 第41-43页 |
| ·支持向量机的近似超平面存在定理及证明 | 第42-43页 |
| ·近似超平面的有效性 | 第43页 |
| ·搜索支持向量的算法设计 | 第43-45页 |
| ·搜索策略 | 第43-44页 |
| ·相关搜索策略的可行性证明 | 第44-45页 |
| ·终止条件 | 第45页 |
| ·本节小结 | 第45页 |
| ·从样本中心点出发构建C－SVR 算法研究及应用 | 第45-50页 |
| ·数据的归一化处理 | 第46页 |
| ·初始训练样本子集的确定 | 第46页 |
| ·搜索算法及复杂度分析 | 第46-48页 |
| ·应用实例及分析 | 第48-50页 |
| ·从多元回归平面出发构建LS-SVM 的算法研究及应用 | 第50-57页 |
| ·LS-SVM 的线性方程组解法 | 第50-51页 |
| ·LS-SVM 的稀疏化 | 第51-52页 |
| ·数据预处理及多元回归的计算 | 第52页 |
| ·从多元回归平面构建LS-SVM 的算法 | 第52-54页 |
| ·应用实例及分析 | 第54-57页 |
| ·算法的改进 | 第57-60页 |
| ·上述算法存在的问题 | 第57页 |
| ·支持向量逐步回归机算法改进思想 | 第57页 |
| ·支持向量逐步回归机改进算法及复杂度分析 | 第57-60页 |
| ·算法改进的附带作用 | 第60页 |
| ·支持向量逐步回归机算法的再次改进及其复杂度分析 | 第60-63页 |
| ·算法存在的问题 | 第60页 |
| ·再次改进支持向量逐步回归机的算法思想 | 第60-61页 |
| ·再次改进后支持向量逐步回归机算法及复杂度分析 | 第61-63页 |
| ·每次搜索新训练样本个数m 的优化 | 第63-65页 |
| ·优化问题的提出 | 第63-64页 |
| ·m的优化算法 | 第64-65页 |
| ·支持向量逐步回归机改进算法的仿真实验 | 第65-68页 |
| ·训练样本的获取 | 第65页 |
| ·算法的函数拟合效果实验与分析 | 第65-66页 |
| ·算法的计算时间及收敛性实验 | 第66-68页 |
| ·本章小结 | 第68-69页 |
| 4 LS-SVM 的组合优化算法研究 | 第69-83页 |
| ·引言 | 第69页 |
| ·组合优化算法思想 | 第69-71页 |
| ·LS-SVM 的组合优化算法及复杂度分析 | 第71-76页 |
| ·不精确的LS-SVM 组合优化算法及复杂度分析 | 第71-72页 |
| ·精确的LS-SVM 组合优化算法及复杂度分析 | 第72-73页 |
| ·算法分析与改进 | 第73-76页 |
| ·与其它LS-SVM 算法的比较 | 第76页 |
| ·划分的训练样本子集包含样本个数 p 的优化 | 第76-78页 |
| ·优化问题的提出 | 第76页 |
| ·p 的优化算法 | 第76-78页 |
| ·仿真实验 | 第78-82页 |
| ·训练样本的获取 | 第78页 |
| ·p 的优化实验 | 第78页 |
| ·算法的函数拟合效果实验与分析 | 第78-80页 |
| ·算法的计算时间及收敛性实验与分析 | 第80-82页 |
| ·本章小结 | 第82-83页 |
| 5 剔除支持向量回归中异常数据的算法研究及在故障检测中的应用 | 第83-103页 |
| ·引言 | 第83页 |
| ·算法思想 | 第83-85页 |
| ·异常数据分析 | 第83-84页 |
| ·剔除异常数据的算法思想 | 第84-85页 |
| ·剔除异常数据支持向量回归机的选择 | 第85页 |
| ·剔除支持向量回归异常数据的算法及复杂度分析 | 第85-87页 |
| ·剔除小样本中异常数据的算法及复杂度分析 | 第85-86页 |
| ·剔除大样本中异常数据的算法及复杂度分析 | 第86-87页 |
| ·仿真实验及分析 | 第87-91页 |
| ·剔除小样本中异常数据算法的仿真实验 | 第87-89页 |
| ·剔除大样本中异常数据算法的仿真实验 | 第89-91页 |
| ·在故障检测中的应用 | 第91-102页 |
| ·引言 | 第91-92页 |
| ·故障检测的原理 | 第92页 |
| ·故障检测的手段 | 第92-93页 |
| ·故障检测算法 | 第93-96页 |
| ·故障检测仿真 | 第96-102页 |
| ·本章小结 | 第102-103页 |
| 6 SVR 实现没有确切定义目标变量的非线性定义及其应用研究 | 第103-111页 |
| ·引言 | 第103页 |
| ·目标变量的粗略定义 | 第103-105页 |
| ·粗略定义目标变量的算法思想 | 第103-104页 |
| ·“温度计――洋葱头”算法 | 第104-105页 |
| ·定义目标变量指标的确定原则 | 第105页 |
| ·定义目标变量指标的优化 | 第105-106页 |
| ·定义的适应性分析及其非线性定义的支持向量回归机实现 | 第106-107页 |
| ·目标变量定义的适应性分析 | 第106页 |
| ·支持向量回归机实现目标变量的非线性定义 | 第106-107页 |
| ·应用实例及分析 | 第107-110页 |
| ·从数据仓库清洗出相关的评价指标 | 第108页 |
| ·定义供应商经济合作和效能指数 | 第108页 |
| ·优化供应商经济合作和效能评价指标 | 第108-110页 |
| ·建立供应商经济合作和效能评价支持向量回归机 | 第110页 |
| ·算例分析 | 第110页 |
| ·本章小结 | 第110-111页 |
| 7 支持向量回归机在铁水脱硫、提钒中的应用 | 第111-117页 |
| ·引言 | 第111页 |
| ·铁水脱硫、提钒原理 | 第111页 |
| ·铁水脱硫、提钒的支持向量回归机 | 第111-114页 |
| ·铁水脱硫、提钒数据的收集 | 第111-112页 |
| ·异常数据的剔除 | 第112页 |
| ·铁水脱硫、提钒仿真实验与分析 | 第112-114页 |
| ·本章小结 | 第114-117页 |
| 8 总结与展望 | 第117-121页 |
| ·总结 | 第117-118页 |
| ·展望 | 第118-121页 |
| 致谢 | 第121-123页 |
| 参考文献 | 第123-133页 |
| 附录 | 第133-134页 |
| A 作者在攻读博士学位期间发表的论文目录 | 第133-134页 |
| B 作者在攻读博士学位期间参加的科研项目 | 第134页 |
