| 摘要 | 第1-4页 |
| ABSTRACT | 第4-9页 |
| 1 绪论 | 第9-12页 |
| ·研究现状及研究意义 | 第9-11页 |
| ·研究现状 | 第9-10页 |
| ·研究的意义 | 第10-11页 |
| ·本文研究的目的和研究内容 | 第11-12页 |
| ·本文研究的目的 | 第11页 |
| ·本文研究的主要内容 | 第11-12页 |
| 2 支持向量回归原理 | 第12-24页 |
| ·机器学习的基本方法 | 第12-15页 |
| ·学习问题的一般表示 | 第12-13页 |
| ·经验风险最小化原则 | 第13-15页 |
| ·统计学习理论的基本思想 | 第15-17页 |
| ·支持向量机 | 第17-19页 |
| ·SVM 的发展史 | 第17-18页 |
| ·核函数 | 第18-19页 |
| ·支持向量回归基本原理 | 第19-21页 |
| ·常见的SVR 算法 | 第21-23页 |
| ·在线模糊SVR | 第21-22页 |
| ·加权SVR | 第22-23页 |
| ·本章小结 | 第23-24页 |
| 3 常用的参数寻优方法和回归方法 | 第24-31页 |
| ·模拟退火算法 | 第24-25页 |
| ·蚁群算法 | 第25-26页 |
| ·蚁群算法的基本原理 | 第25-26页 |
| ·概率神经网络 | 第26-28页 |
| ·PNN 回归算法 | 第26-28页 |
| ·多元线性回归 | 第28页 |
| ·岭回归(RR) | 第28-29页 |
| ·岭参数的引入 | 第29页 |
| ·岭参数的求解 | 第29页 |
| ·本章小结 | 第29-31页 |
| 4 熵及其基本原理 | 第31-36页 |
| ·熵及其性质 | 第31-32页 |
| ·熵的引入 | 第31-32页 |
| ·熵的性质 | 第32页 |
| ·熵的原理 | 第32-34页 |
| ·热力学熵熵增加原理 | 第32-33页 |
| ·统计熵等几率原理 | 第33-34页 |
| ·玻耳兹曼熵和克劳修斯熵的物理意义 | 第34-35页 |
| ·玻耳兹曼熵 | 第34页 |
| ·克劳修斯熵 | 第34-35页 |
| ·本章小结 | 第35-36页 |
| 5 基于支持向量回归的固体化合物中阳离子标准熵的预测 | 第36-44页 |
| ·固体化合物阳离子标准熵的不同计算方法 | 第36-37页 |
| ·SVR 用于固体化合物中阳离子标准熵的预测 | 第37-43页 |
| ·数据来源 | 第37-38页 |
| ·建立模型 | 第38-39页 |
| ·模型预测性能的评价 | 第39页 |
| ·结果分析与讨论 | 第39-43页 |
| ·结论 | 第43页 |
| ·本章小结 | 第43-44页 |
| 6 选择性激光烧结成型件密度的支持向量回归预测 | 第44-51页 |
| ·SVR 预测选择性激光烧结成型件密度 | 第44-50页 |
| ·数据来源 | 第44-46页 |
| ·模型的建立 | 第46页 |
| ·模型预测性能的评价 | 第46页 |
| ·结果分析与讨论 | 第46-49页 |
| ·结论 | 第49-50页 |
| ·本章小结 | 第50-51页 |
| 7 结论与展望 | 第51-52页 |
| ·主要结论 | 第51页 |
| ·后续研究工作的展望 | 第51-52页 |
| 致谢 | 第52-53页 |
| 参考文献 | 第53-57页 |
| 附录：作者在攻读硕士学位期间发表的论文目录 | 第57-58页 |