摘要 | 第4-5页 |
Abstract | 第5-6页 |
第一章 引言 | 第9-13页 |
1.1 γ能谱分析的意义 | 第9页 |
1.2 γ能谱分析中存在的困难 | 第9-10页 |
1.3 γ能谱分析方法研究现状 | 第10-11页 |
1.4 论文的主要研究内容 | 第11页 |
1.5 论文组织结构 | 第11-13页 |
第二章 γ能谱探测原理概述 | 第13-19页 |
2.1 γ射线与物质的相互作用 | 第13-15页 |
2.2 γ能谱仪探测原理 | 第15-16页 |
2.3 γ能谱特征 | 第16-17页 |
2.4 本章小结 | 第17-19页 |
第三章 支持向量机基础理论 | 第19-35页 |
3.1 统计学习理论 | 第19-22页 |
3.1.1 期望风险 | 第19-20页 |
3.1.2 经验风险最小化原则 | 第20页 |
3.1.3 VC维 | 第20页 |
3.1.4 结构风险最小化原则 | 第20-22页 |
3.2 线性支持向量分类机 | 第22-25页 |
3.2.1 硬间隔线性支持向量分类机 | 第22-24页 |
3.2.2 软间隔线性支持向量分类机 | 第24-25页 |
3.3 线性支持向量回归机 | 第25-28页 |
3.3.1 线性硬ε带支持向量回归机 | 第25-27页 |
3.3.2 线性软ε带支持向量回归机 | 第27-28页 |
3.4 核函数与非线性支持向量机 | 第28-32页 |
3.4.1 非线性支持向量机 | 第29-30页 |
3.4.2 核函数 | 第30页 |
3.4.3 支持向量分类与回归机 | 第30-31页 |
3.4.4 参数寻优 | 第31-32页 |
3.5 最小二乘支持向量机 | 第32-34页 |
3.6 本章小结 | 第34-35页 |
第四章 LS-SVM在γ能谱平滑中的应用 | 第35-47页 |
4.1 多项式最小二乘移动平滑法 | 第35-36页 |
4.2 LS-SVM回归拟合降噪 | 第36-42页 |
4.2.1 核函数的选择 | 第36-37页 |
4.2.2 核函数参数对平滑曲线的影响 | 第37-38页 |
4.2.3 LS-SVM全谱回归拟合平滑能谱 | 第38-42页 |
4.3 LS-SVM分段回归拟合法在航空γ能谱上的应用 | 第42-46页 |
4.3.1 基于能窗分布的分段回归拟合 | 第42-44页 |
4.3.2 基于加权叠加的LS-SVM回归拟合平滑处理 | 第44-46页 |
4.4 本章小结 | 第46-47页 |
第五章 LS-SVM在γ能谱定性分析中的应用 | 第47-59页 |
5.1 传统寻峰方法介绍 | 第47-49页 |
5.1.1 导数寻峰法 | 第47-48页 |
5.1.2 高斯函数乘积找峰法 | 第48页 |
5.1.3 对称零面积寻峰法 | 第48-49页 |
5.2 基于LS-SVM分类机的峰存在判别方法 | 第49-56页 |
5.2.1 分类模型训练集选择 | 第49-54页 |
5.2.2 分类模型判定结果 | 第54-56页 |
5.3 本章小结 | 第56-59页 |
第6章 结论 | 第59-61页 |
6.1 结论 | 第59页 |
6.2 研究存在问题与下一步工作展望 | 第59-61页 |
致谢 | 第61-63页 |
参考文献 | 第63-64页 |