基于支持向量机的聚酯工业软测量方法研究
| 第一章 绪论 | 第1-21页 |
| ·论文研究的背景和意义 | 第9-11页 |
| ·支持向量机算法(SVM)的研究现状 | 第11-17页 |
| ·理论研究 | 第11-12页 |
| ·算法改进 | 第12-15页 |
| ·核函数及其参数选择 | 第15-16页 |
| ·扩展支持向量机 | 第16-17页 |
| ·支持向量机在工业过程中的应用 | 第17-19页 |
| ·论文研究的主要内容及工作简述 | 第19-21页 |
| 第二章 支持向量机理论概述 | 第21-32页 |
| ·引言 | 第21页 |
| ·统计学习理论 | 第21-24页 |
| ·VC维 | 第23页 |
| ·结构风险最小化(SRM) | 第23-24页 |
| ·支持向量机算法 | 第24-30页 |
| ·最优分类超平面 | 第24-27页 |
| ·支持向量机线性回归 | 第27-29页 |
| ·支持向量机非线性回归 | 第29-30页 |
| ·本章小结 | 第30-32页 |
| 第三章 基于支持向量机的软测量建模 | 第32-39页 |
| ·引言 | 第32-33页 |
| ·支持向量机软测量建模 | 第33-38页 |
| ·前期数据处理 | 第33-35页 |
| ·支持向量机软测量建模 | 第35-38页 |
| ·本章小结 | 第38-39页 |
| 第四章 支持向量机的改进算法 | 第39-66页 |
| ·引言 | 第39页 |
| ·支持向量机基于算法的改进 | 第39-52页 |
| ·基于增量学习的支持向量机 | 第39-44页 |
| ·支持向量机的序列最小优化算法 | 第44-49页 |
| ·最小二乘算法对支持向量机的改进 | 第49-52页 |
| ·支持向量基于数据集的改进 | 第52-60页 |
| ·主元分析方法缩小数据集 | 第52-54页 |
| ·聚类算法缩小数据集 | 第54-60页 |
| ·支持向量机参数的选择 | 第60-65页 |
| ·交叉检验的方法选择容许误差 | 第60-61页 |
| ·核函数的选择 | 第61页 |
| ·遗传算法调整核函数的参数 | 第61-65页 |
| ·本章小结 | 第65-66页 |
| 结束语 | 第66-68页 |
| 参考文献 | 第68-74页 |
| 致谢 | 第74-75页 |
| 攻读学位期间发表的学术论文目录 | 第75页 |
