首页--工业技术论文--自动化技术、计算机技术论文--自动化技术及设备论文--自动化系统论文--数据处理、数据处理系统论文

基于改进最小二乘支持向量机的颗粒粒度软测量研究

摘要第1-6页
Abstract第6-9页
第1章 绪论第9-16页
   ·课题背景及研究意义第9-10页
   ·颗粒粒度检测方法第10-11页
     ·离线颗粒粒度检测方法第10页
     ·在线颗粒粒度检测方法第10-11页
   ·颗粒粒度软测量技术概述第11-14页
     ·软测量建模方法第12-13页
     ·国内外粒度软测量研究现状第13-14页
   ·论文结构及内容安排第14-16页
第2章 混合核支持向量机回归算法第16-26页
   ·支持向量回归机第16-19页
     ·线性SVM回归机第16-18页
     ·非线性SVM回归机第18-19页
   ·核函数第19-20页
   ·混合核函数第20-22页
   ·最小二乘支持向量机第22-25页
     ·最小二乘支持向量机介绍第22-24页
     ·最小二乘支持向量机应用第24-25页
   ·小结第25-26页
第3章 基于小波变异的粒子群算法第26-43页
   ·粒子群算法第26-28页
   ·改进粒子群算法第28-36页
     ·引进平均最优位置的PSO算法(MPSO)第28-29页
     ·基于小波变异的改进PSO算法(WMPSO)第29-32页
     ·改进粒子群算法仿真及性能测试第32-36页
   ·量子粒子群算法第36-42页
     ·改进量子粒子群算法第37-39页
     ·改进量子粒子群算法仿真及性能测试第39-42页
   ·小结第42-43页
第4章 基于改进量子粒子群算法的支持向量机参数优化第43-55页
   ·回归模型参数分析第43-44页
     ·不敏感系数ε第43页
     ·惩罚因子C第43页
     ·核参数第43-44页
   ·LS-SVR模型参数的优化方法第44-45页
     ·交叉验证法第44-45页
     ·网格搜索法第45页
     ·LS-SVR参数优化新思路第45页
   ·基于WQPSO的LS-SVR的参数优化第45-47页
   ·非线性函数性能验证第47-50页
   ·实验数据性能验证第50-54页
   ·小结第54-55页
第5章 基于改进的支持向量机的颗粒粒度软测量建模第55-62页
   ·颗粒粒度软测量辅助变量的选择第55页
   ·数据采集及预处理第55-58页
   ·基于WQPSO-LSSVR建立颗粒粒度软测量模型第58-61页
   ·小结第61-62页
第6章 总结与展望第62-64页
   ·本文的工作总结第62页
     ·本文所做的主要工作第62页
     ·本文创新点第62页
   ·工作展望第62-64页
参考文献第64-69页
致谢第69-70页
作者在攻读硕士学位期间发表论文第70页

论文共70页,点击 下载论文
上一篇:基于深度学习与条件随机场的多标记学习方法的中医问诊建模研究
下一篇:多速率采样系统的显式预测控制研究