基于支持向量机的信息融合技术研究及应用
| 摘要 | 第1-4页 |
| ABSTRACT | 第4-9页 |
| 1 绪论 | 第9-18页 |
| ·信息融合 | 第9-12页 |
| ·多传感器信息融合技术的研究背景与意义 | 第9-10页 |
| ·信息融合技术研究历史与现状 | 第10-12页 |
| ·应用状况 | 第12页 |
| ·支持向量机 | 第12-16页 |
| ·支持向量机算法的发展历史 | 第12-13页 |
| ·支持向量机研究现状 | 第13-16页 |
| ·支持向量机的应用研究 | 第16页 |
| ·本文的研究内容及安排 | 第16-18页 |
| 2 信息融合的原理及常用算法 | 第18-26页 |
| ·信息融合定义 | 第18-19页 |
| ·信息融合的基本原理 | 第19-20页 |
| ·多传感器信息融合的分类 | 第20页 |
| ·信息融合方法 | 第20-25页 |
| ·直接对数据源操作的方法 | 第21-23页 |
| ·基于对象的统计特性和概率模型的方法 | 第23-24页 |
| ·基于规则推理的方法 | 第24-25页 |
| ·本章小结 | 第25-26页 |
| 3 支持向量机 | 第26-41页 |
| ·支持向量机理论基础 | 第26-29页 |
| ·机器学习问题的表示 | 第26-27页 |
| ·经验风险最小化 | 第27页 |
| ·VC 维 | 第27-28页 |
| ·学习机器推广能力的界 | 第28页 |
| ·结构风险最小化归纳原则 | 第28-29页 |
| ·核函数与Mercer 定理 | 第29-31页 |
| ·核函数 | 第29-30页 |
| ·Mercer 定理与Mercer 核 | 第30-31页 |
| ·KKT 条件 | 第31-32页 |
| ·支持向量机的构造 | 第32-34页 |
| ·支持向量机的基本思想 | 第32-33页 |
| ·构造支持向量机 | 第33-34页 |
| ·支持向量机 | 第34-38页 |
| ·线性可分SVM | 第34-36页 |
| ·线性不可分SVM | 第36-37页 |
| ·可分支持向量分类机 | 第37-38页 |
| ·基于SVM 的多传感器融合算法 | 第38-40页 |
| ·本章小结 | 第40-41页 |
| 4 支持向量机训练算法 | 第41-55页 |
| ·停机准则 | 第41-43页 |
| ·求解大型问题的算法 | 第43-45页 |
| ·选块算法 | 第43页 |
| ·分解算法 | 第43-44页 |
| ·序列最小最优化算法 | 第44-45页 |
| ·SMO 算法原理及实现 | 第45-48页 |
| ·SMO 算法原理 | 第45-47页 |
| ·SMO 算法步骤 | 第47-48页 |
| ·最小二乘支持向量机 | 第48-52页 |
| ·最小二乘支持向量机原理 | 第48-49页 |
| ·在LS-SVM 中引入贪婪算法 | 第49-52页 |
| ·支持向量机的多类分类算法 | 第52-54页 |
| ·“一对余”算法 | 第52-53页 |
| ·“一对一”算法 | 第53页 |
| ·二进制编码分类法 | 第53-54页 |
| ·本章小结 | 第54-55页 |
| 5 支持向量机在污水处理监控数据中的应用 | 第55-71页 |
| ·城市污水处理工艺流程介绍 | 第55-56页 |
| ·对污水处理过程运行状态监控的意义 | 第56-57页 |
| ·城市污水处理厂日常监控数据介绍 | 第57-61页 |
| ·对城市污水处理厂日常监控数据进行实验 | 第61-70页 |
| ·使用Bp 神经网络进行数据的分类 | 第61-62页 |
| ·使用支持向量机对污水处理厂监控数据进行分类 | 第62-69页 |
| ·BP 神经网络与支持向量机的结果比较 | 第69-70页 |
| ·本章小结 | 第70-71页 |
| 6 结论 | 第71-72页 |
| ·全文工作总结 | 第71页 |
| ·工作展望 | 第71-72页 |
| 致谢 | 第72-73页 |
| 参考文献 | 第73-76页 |
| 附录 | 第76页 |
