| 摘要 | 第1-5页 |
| ABSTRACT | 第5-9页 |
| 1 绪论 | 第9-13页 |
| ·课题背景及意义 | 第9-10页 |
| ·模糊控制 | 第10页 |
| ·支持向量机 | 第10-11页 |
| ·本文的主要研究工作 | 第11-13页 |
| 2 统计学习理论与支持向量机 | 第13-20页 |
| ·统计学习理论概述 | 第13-15页 |
| ·机器学习的问题 | 第13页 |
| ·经验风险最小化 | 第13-14页 |
| ·统计学习理论的核心内容 | 第14-15页 |
| ·支持向量机 | 第15-19页 |
| ·支持向量机分类 | 第15-18页 |
| ·支持向量机回归 | 第18-19页 |
| ·小结 | 第19-20页 |
| 3 基于支持向量机的模糊推理模型 | 第20-30页 |
| ·模糊规则与模糊推理 | 第20-22页 |
| ·模糊规则运算 | 第20-21页 |
| ·模糊推理 | 第21-22页 |
| ·基于支持向量机的模糊推理模型 | 第22-27页 |
| ·模糊基函数推理 | 第22页 |
| ·基于 SVM 的模糊基函数推理模型 | 第22-25页 |
| ·实验示例 | 第25-27页 |
| ·模糊规则提取的比较分析 | 第27-29页 |
| ·基于 SVM 的模糊推理模型与聚类方法 | 第27-28页 |
| ·基于 SVM 的模糊推理模型与正交最小二乘法 | 第28-29页 |
| ·小结 | 第29-30页 |
| 4 基于 SVM 的模糊推理模型在非线性系统辨识中的应用 | 第30-38页 |
| ·常用智能辨识方法 | 第30-33页 |
| ·基于神经网络的系统辨识 | 第30-31页 |
| ·基于模糊推理的系统辨识 | 第31-33页 |
| ·非线性系统辨识示例 | 第33-37页 |
| ·基于 SVM 的模糊推理模型辨识算法 | 第33页 |
| ·混沌时间序列预测示例 | 第33-35页 |
| ·三阶非线性系统模型辨识示例 | 第35-37页 |
| ·小结 | 第37-38页 |
| 5 基于 SVM 的模糊推理模型在非线性系统控制中的应用 | 第38-49页 |
| ·常用智能控制方法 | 第38-41页 |
| ·神经网络控制 | 第38-40页 |
| ·模糊控制 | 第40-41页 |
| ·非线性系统控制示例 | 第41-47页 |
| ·基于 SVM 的模糊推理模型控制算法 | 第42页 |
| ·二级倒立摆控制示例 | 第42-45页 |
| ·球杆系统控制示例 | 第45-47页 |
| ·小结 | 第47-49页 |
| 6 总结 | 第49-50页 |
| 致谢 | 第50-51页 |
| 参考文献 | 第51-54页 |
| 作者在攻读硕士期间已录用论文 | 第54页 |