| 摘要 | 第1-5页 |
| ABSTRACT | 第5-9页 |
| 1 绪论 | 第9-13页 |
| ·统计学习理论与支持向量机的背景 | 第9-10页 |
| ·支持向量机的研究现状 | 第10-11页 |
| ·国内外的研究现状 | 第10页 |
| ·基于 SVM建模与控制研究的意义及应用前景 | 第10-11页 |
| ·本文研究的内容 | 第11-13页 |
| 2 统计学习理论与支持向量机 | 第13-25页 |
| ·统计学习理论 | 第13-15页 |
| ·VC维 | 第13页 |
| ·经验风险最小化原则 | 第13-14页 |
| ·结构风险最小化原则 | 第14-15页 |
| ·支持向量机用于分类 | 第15-19页 |
| ·支持向量机用于回归 | 第19-20页 |
| ·SVM中的优化算法 | 第20-23页 |
| ·SVM发展初期常用的优化算法 | 第20-22页 |
| ·国际上近期出现的 SVM优化算法 | 第22-23页 |
| ·各种优化算法的分析比较 | 第23页 |
| ·支持向量机模型的选择 | 第23-24页 |
| ·小结 | 第24-25页 |
| 3 支持向量机回归建模问题的研究 | 第25-37页 |
| ·系统建模的原理 | 第25页 |
| ·非线性系统建模理论的研究 | 第25-26页 |
| ·支持向量机回归非线性系统建模研究 | 第26-30页 |
| ·支持向量回归建模算法的实现 | 第26页 |
| ·仿真研究 | 第26-29页 |
| ·SVM参数的影响 | 第29-30页 |
| ·一种模糊遗传优化支持向量机回归建模方法 | 第30-34页 |
| ·模糊遗传算法 | 第31-33页 |
| ·模糊遗传优化支持向量机回归 | 第33-34页 |
| ·仿真结果 | 第34-36页 |
| ·小结 | 第36-37页 |
| 4 LS-SVM原理及应用研究 | 第37-44页 |
| ·LS-SVM的原理 | 第37-38页 |
| ·LS-SVM非线性系统建模研究 | 第38-39页 |
| ·基于遗传优化 LS-SVM的温度传感器非线性误差校正 | 第39-42页 |
| ·传感器非线性误差校正原理 | 第39-41页 |
| ·遗传优化 LS-SVM传感器非线性误差校正 | 第41页 |
| ·仿真结果 | 第41-42页 |
| ·小结 | 第42-44页 |
| 5 基于 LS-SVM的预测控制研究 | 第44-53页 |
| ·预测控制简介 | 第44-45页 |
| ·预测控制的原理 | 第44-45页 |
| ·预测控制算法的分类 | 第45页 |
| ·非线性预测控制的研究概况 | 第45-47页 |
| ·基于 LS-SVM的 NMPC的研究 | 第47-52页 |
| ·LS-SVM建立预测模型 | 第47-48页 |
| ·基于模糊遗传算法的NMPC滚动优化 | 第48-49页 |
| ·反馈校正 | 第49页 |
| ·基于 LS-SVM的 NMPC算法实现 | 第49页 |
| ·仿真研究 | 第49-52页 |
| ·小结 | 第52-53页 |
| 6 结论 | 第53-54页 |
| 致谢 | 第54-55页 |
| 参考文献 | 第55-58页 |
| 作者在攻读硕士期间所发表的论文 | 第58页 |