| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第1章 绪论 | 第10-16页 |
| ·课题研究背景 | 第10-11页 |
| ·研究现状 | 第11-13页 |
| ·本文组织结构 | 第13-16页 |
| 第2章 支撑向量回归模型 | 第16-30页 |
| ·支撑向量回归基础理论 | 第16-22页 |
| ·机器学习 | 第16-17页 |
| ·统计学习理论 | 第17-21页 |
| ·优化理论 | 第21-22页 |
| ·支撑向量回归算法 | 第22-27页 |
| ·线性支撑向量回归 | 第22-24页 |
| ·非线性支撑向量回归 | 第24-25页 |
| ·核扩展判定及一种简单的核扩展方法 | 第25-27页 |
| ·本章小结 | 第27-30页 |
| 第3章 基于双支撑向量回归的改进算法 | 第30-60页 |
| ·双支撑向量回归 | 第30-33页 |
| ·正则化的双支撑向量回归(RTSVR) | 第33-44页 |
| ·线性情况 | 第33-34页 |
| ·非线性情况 | 第34-36页 |
| ·数值实验 | 第36-42页 |
| ·梯度法求解 | 第42-43页 |
| ·梯度法实验 | 第43-44页 |
| ·双支撑向量临近回归 | 第44-53页 |
| ·双支撑向量临近回归算法 | 第45-47页 |
| ·数值实验 | 第47-53页 |
| ·Lagrangian 双支撑向量回归 | 第53-57页 |
| ·Lagrangian 双支撑向量回归算法 | 第54-56页 |
| ·数值实验 | 第56-57页 |
| ·本章小结 | 第57-60页 |
| 第4章 增量支撑向量回归算法 | 第60-74页 |
| ·引言 | 第60-62页 |
| ·在线增量支撑向量回归 | 第62-68页 |
| ·在线增量学习算法 | 第62-65页 |
| ·数值实验 | 第65-68页 |
| ·批增量支撑向量回归 | 第68-73页 |
| ·批增量回归算法 | 第68-70页 |
| ·数值实验 | 第70-73页 |
| ·本章小结 | 第73-74页 |
| 第5章 Langrangian 支撑向量回归的牛顿算法 | 第74-82页 |
| ·引言 | 第74-76页 |
| ·牛顿算法 | 第76-78页 |
| ·数值实验 | 第78-80页 |
| ·人工数据集上的实验 | 第78-79页 |
| ·标准数据集上的实验 | 第79-80页 |
| ·本章小结 | 第80-82页 |
| 第6章 原始空间加权支撑向量回归及应用 | 第82-94页 |
| ·离群点检测 | 第82-84页 |
| ·基于弱剔除的加权支撑向量回归算法 | 第84-85页 |
| ·加权支撑向量回归的原始空间算法 | 第85-88页 |
| ·数值实验 | 第88-89页 |
| ·人工数据集上的实验 | 第88页 |
| ·标准数据集上的实验 | 第88-89页 |
| ·在时间序列预测中的应用 | 第89-93页 |
| ·本章小结 | 第93-94页 |
| 结论 | 第94-97页 |
| 参考文献 | 第97-104页 |
| 攻读博士学位期间所发表的学术论文 | 第104-105页 |
| 致谢 | 第105页 |