| 内容提要 | 第1-8页 |
| 第1 章 绪论 | 第8-11页 |
| ·研究目的与意义 | 第8-9页 |
| ·研究内容及工作 | 第9-11页 |
| 第2 章 统计学习理论与支持向量机 | 第11-28页 |
| ·统计学习理论 | 第11-17页 |
| ·机器学习的基本问题 | 第11-14页 |
| ·统计学习理论 | 第14-17页 |
| ·支持向量机分类算法 | 第17-23页 |
| ·线性支持向量机分类算法 | 第17-20页 |
| ·非线性支持向量机分类算法 | 第20-23页 |
| ·支持向量机回归算法 | 第23-26页 |
| ·线性支持向量机回归算法 | 第23-25页 |
| ·非线性支持向量机回归算法 | 第25-26页 |
| ·支持向量机研究状况 | 第26-27页 |
| ·小结 | 第27-28页 |
| 第3 章 基于粒子群算法的最小二乘支持向量机超参数选择 | 第28-43页 |
| ·引言 | 第28-29页 |
| ·最小二乘支持向量机 | 第29-31页 |
| ·最小二乘支持向量机分类算法 | 第29-30页 |
| ·最小二乘支持向量机回归算法 | 第30-31页 |
| ·粒子群优化算法 | 第31-38页 |
| ·粒子群优化算法的产生与发展 | 第31-32页 |
| ·粒子群优化算法原理 | 第32-36页 |
| ·粒子群优化算法同其它算法的比较 | 第36-37页 |
| ·粒子群优化算法应用 | 第37-38页 |
| ·基于粒子群优化算法的最小二乘支持向量机超参数选择 | 第38-39页 |
| ·数值实验 | 第39-42页 |
| ·数据集及预处理 | 第39-40页 |
| ·适应度函数 | 第40页 |
| ·实验结果 | 第40-42页 |
| ·小结 | 第42-43页 |
| 第4 章基于NIRS 和最小二乘支持向量机的乙醇浓度分析 | 第43-57页 |
| ·近红外光谱学基本原理 | 第43-45页 |
| ·近红外光谱技术国内外研究状况 | 第45-47页 |
| ·近红外光谱技术国外的研究状况 | 第45-46页 |
| ·近红外光谱技术国内的研究状况 | 第46-47页 |
| ·近红外光谱仪器 | 第47页 |
| ·近红外光谱常用的分析方法 | 第47-51页 |
| ·定性分析方法 | 第47-49页 |
| ·定量分析方法 | 第49-51页 |
| ·基于NIRS 和最小二乘支持向量机的乙醇浓度分析 | 第51-56页 |
| ·实验数据的获取与处理 | 第51-52页 |
| ·光谱波段选择 | 第52-53页 |
| ·实验结果 | 第53-56页 |
| ·小结 | 第56-57页 |
| 第5 章基于最小二乘支持向量机的伏特拉积分方程数值解 | 第57-71页 |
| ·引言 | 第57页 |
| ·积分方程起源 | 第57-59页 |
| ·积分方程的概念与分类 | 第59-61页 |
| ·积分方程的概念 | 第59-60页 |
| ·积分方程的分类 | 第60-61页 |
| ·第二类积分方程的数值方法 | 第61-66页 |
| ·未知函数级数展开法 | 第61-63页 |
| ·求积公式法 | 第63-64页 |
| ·迭代方法 | 第64-66页 |
| ·基于最小二乘支持向量机的伏特拉积分方程数值解 | 第66-67页 |
| ·数值实验 | 第67-70页 |
| ·小结 | 第70-71页 |
| 第6 章电力负荷预测 | 第71-85页 |
| ·电力负荷预测概述 | 第71-74页 |
| ·电力负荷预测的必要性 | 第71-72页 |
| ·电力负荷预测的特点、基本原理和原则 | 第72-73页 |
| ·电力系统短期负荷预测模型简介 | 第73-74页 |
| ·负荷预测模型 | 第74-81页 |
| ·电力负荷的特点及规律 | 第74-75页 |
| ·电力负荷预测需注意的问题 | 第75-76页 |
| ·电力负荷预测样本集确定及处理 | 第76-78页 |
| ·基于最小二乘支持向量机的负荷预测 | 第78-81页 |
| ·数值实验 | 第81-84页 |
| ·预测误差分析的指标 | 第81-82页 |
| ·预测实例 | 第82-84页 |
| ·小结 | 第84-85页 |
| 第7 章结论与展望 | 第85-88页 |
| ·全文总结 | 第85-87页 |
| ·研究展望 | 第87-88页 |
| 参考文献 | 第88-100页 |
| 攻读博士学位期间发表的论文及其他成果 | 第100-102页 |
| 致谢 | 第102-103页 |
| 摘要 | 第103-106页 |
| Abstract | 第106-109页 |
