| 摘要 | 第1-6页 |
| ABSTRACT | 第6-10页 |
| 目录 | 第10-14页 |
| 第一章 绪论 | 第14-38页 |
| ·机器学习概述 | 第14-18页 |
| ·机器学习发展概述 | 第15-16页 |
| ·研究的主要问题 | 第16-18页 |
| ·机器学习的理论背景--统计学习理论 | 第18-22页 |
| ·经验风险最小化原则 | 第19页 |
| ·VC维与结构风险最小化原则 | 第19-22页 |
| ·基于核函数的学习算法 | 第22-33页 |
| ·主要核学习算法分析 | 第23-30页 |
| ·监督学习 | 第23-27页 |
| ·非监督学习 | 第27-30页 |
| ·基于核的学习算法的应用研究 | 第30-33页 |
| ·本文主要工作 | 第33-38页 |
| ·研究背景及意义 | 第34页 |
| ·主要内容和结构安排 | 第34-38页 |
| 第二章 关联网格聚类算法 | 第38-48页 |
| ·前言 | 第38-39页 |
| ·数据格式的转换 | 第39-41页 |
| ·基本概念 | 第39-40页 |
| ·样本集与基本概念的对应关系 | 第40-41页 |
| ·聚类算法 | 第41-44页 |
| ·数据空间分割 | 第41-42页 |
| ·关联网格聚类算法 | 第42-44页 |
| ·实验 | 第44-47页 |
| ·聚类 | 第44-45页 |
| ·人工数据集 | 第44页 |
| ·Iris数据集 | 第44-45页 |
| ·关联网格的去噪作用 | 第45-47页 |
| ·结论 | 第47-48页 |
| 第三章 基于 Kernel的模糊模型构建与调整 | 第48-62页 |
| ·前言 | 第48-49页 |
| ·模糊系统简介 | 第49-51页 |
| ·模糊模型的构建与调整 | 第51-56页 |
| ·基于 Mercer核的模糊系统 | 第51-53页 |
| ·消减与增加模糊规则的判别方法 | 第53-55页 |
| ·消减模糊规则的判别方法 | 第53-54页 |
| ·增加模糊规则的判别方法 | 第54-55页 |
| ·模糊模型构建和调整过程 | 第55-56页 |
| ·实验 | 第56-59页 |
| ·实例说明 | 第56-57页 |
| ·Iris分类问题 | 第57-58页 |
| ·时间序列预测 | 第58-59页 |
| ·结论 | 第59-62页 |
| 第四章 核 Fisher判别分析的两阶段实现方法 | 第62-72页 |
| ·前言 | 第62-63页 |
| ·FLDA和 KFDA的机理分析 | 第63-65页 |
| ·Fisher线性判别分析 | 第63-64页 |
| ·核函数 Fisher鉴别 | 第64-65页 |
| ·两阶段实现方法 | 第65-67页 |
| ·构造非线性映射 | 第65-66页 |
| ·NM-FDA的实现过程 | 第66-67页 |
| ·实验 | 第67-71页 |
| ·实验一 | 第67-68页 |
| ·实验二 | 第68-70页 |
| ·实验三 | 第70-71页 |
| ·结论 | 第71-72页 |
| 第五章 基于样本子集的 KPCA在故障检测中的应用 | 第72-84页 |
| ·前言 | 第72-73页 |
| ·子集样本的提取方法 | 第73-74页 |
| ·核主元分析 | 第74-76页 |
| ·SUB-KPCA故障检测 | 第76-78页 |
| ·统计控制指标 | 第76-77页 |
| ·统计控制限 | 第77页 |
| ·SUB-KPCA故障检测过程 | 第77-78页 |
| ·实验 | 第78-81页 |
| ·TE过程 | 第78-79页 |
| ·TE过程的故障诊断 | 第79-81页 |
| ·仿真数据的生成 | 第79-80页 |
| ·结果分析 | 第80-81页 |
| ·结论 | 第81-84页 |
| 第六章 基于核主角的故障检测方法 | 第84-96页 |
| ·前言 | 第84-85页 |
| ·特征子空间 | 第85-88页 |
| ·基向量选取原理 | 第86-87页 |
| ·基向量选取算法 | 第87-88页 |
| ·核主角 | 第88-89页 |
| ·基于核主角的故障检测 | 第89-90页 |
| ·实验 | 第90-93页 |
| ·结论 | 第93-96页 |
| 第七章 动态加权最小二乘支持向量机 | 第96-108页 |
| ·前言 | 第96-97页 |
| ·最小二乘支持向量机 | 第97-98页 |
| ·动态加权 LS-SVM | 第98-102页 |
| ·加权 LS-SVM | 第98-99页 |
| ·动态 LS-SVM | 第99-101页 |
| ·增加样本 | 第100页 |
| ·消减样本 | 第100-101页 |
| ·动态加权 LS-SVM算法 | 第101-102页 |
| ·实验 | 第102-106页 |
| ·Mackey-Glass时间序列预测 | 第102-103页 |
| ·PTA氧化过程中4-CBA含量预测 | 第103-106页 |
| ·结论 | 第106-108页 |
| 第八章 结论与展望 | 第108-112页 |
| ·论文内容总结 | 第108-109页 |
| ·展望 | 第109-112页 |
| 参考文献 | 第112-128页 |
| 附录 | 第128-130页 |
| 致谢 | 第130页 |