| 学位论文原创性声明及学位论文版权使用授权书 | 第1-5页 |
| 摘要 | 第5-7页 |
| Abstract | 第7-13页 |
| 第1章 绪论 | 第13-33页 |
| ·论文研究背景 | 第13-14页 |
| ·机器学习问题与发展 | 第14-16页 |
| ·机器学习的发展 | 第14-15页 |
| ·机器学习问题 | 第15-16页 |
| ·经验风险最小化原则 | 第16页 |
| ·统计学习理论 | 第16-23页 |
| ·函数集的 VC 维 | 第17-18页 |
| ·学习过程一致性概念和关键定理 | 第18-21页 |
| ·结构风险最小化原则 | 第21-23页 |
| ·支持向量机 | 第23-30页 |
| ·支持向量分类机 | 第24-25页 |
| ·支持向量回归机 | 第25-26页 |
| ·核函数 | 第26-28页 |
| ·支持向量机模型选择 | 第28-30页 |
| ·支持向量机研究现状与应用 | 第30-31页 |
| ·支持向量机研究现状 | 第30-31页 |
| ·支持向量机的应用 | 第31页 |
| ·本文的研究内容与体系结构 | 第31-33页 |
| 第2章 支持向量机求解方法 | 第33-52页 |
| ·预备数学知识 | 第33-34页 |
| ·二次规划求解方法 | 第34-38页 |
| ·线性情形 | 第34-37页 |
| ·非线性情形 | 第37-38页 |
| ·选块方法 | 第38-40页 |
| ·算法基本思想 | 第38-39页 |
| ·算法描述 | 第39-40页 |
| ·分解方法 | 第40-42页 |
| ·算法基本思想 | 第40-41页 |
| ·工作集的求解方法 | 第41页 |
| ·算法描述 | 第41-42页 |
| ·序列最小优化方法 | 第42-45页 |
| ·求解两个 Lagrange 乘子优化问题 | 第42-44页 |
| ·基于启发式策略的 Lagrange 乘子选择方法 | 第44-45页 |
| ·基于 Lagrange 函数的迭代求解方法 | 第45-48页 |
| ·线性情形 | 第45-47页 |
| ·非线性情形 | 第47-48页 |
| ·基于 Smoothing 处理的牛顿求解方法 | 第48-51页 |
| ·理论分析 | 第48-50页 |
| ·算法描述 | 第50-51页 |
| ·本章小结 | 第51-52页 |
| 第3章 L_1 范数支持向量机算法研究 | 第52-58页 |
| ·分类间隔的L_p 范数表示 | 第52页 |
| ·基于L_p 范数分类间隔的三种支持向量机 | 第52-54页 |
| ·基于L_1 范数分类间隔的支持向量机 | 第53页 |
| ·基于L2 范数分类间隔的支持向量机 | 第53页 |
| ·基于L∞范数分类间隔的支持向量机 | 第53-54页 |
| ·L_1 范数支持向量机算法 | 第54-56页 |
| ·线性情形 | 第54-55页 |
| ·非线性情形 | 第55-56页 |
| ·仿真实验 | 第56-57页 |
| ·本章小结 | 第57-58页 |
| 第4章 PCA 支持向量机算法研究 | 第58-69页 |
| ·PCA 支持向量机算法 | 第58-60页 |
| ·主元分析法 | 第58-60页 |
| ·算法描述 | 第60页 |
| ·Kernel PCA 支持向量机算法 | 第60-62页 |
| ·核主元分析方法 | 第60-62页 |
| ·算法描述 | 第62页 |
| ·加权PCA 支持向量机算法 | 第62-65页 |
| ·加权支持向量机 | 第62-63页 |
| ·算法描述 | 第63页 |
| ·算法对类别数目差异补偿性能分析 | 第63-65页 |
| ·仿真实验 | 第65-68页 |
| ·本章小结 | 第68-69页 |
| 第5章 小波支持向量机算法研究 | 第69-77页 |
| ·小波变换 | 第69-70页 |
| ·小波变换的定义 | 第69-70页 |
| ·小波变换的特点 | 第70页 |
| ·小波核函数 | 第70-72页 |
| ·支持向量核函数条件 | 第70-71页 |
| ·小波核函数 | 第71-72页 |
| ·小波支持向量机算法 | 第72-73页 |
| ·算法性能分析 | 第73页 |
| ·算法收敛性分析 | 第73页 |
| ·算法通用性分析 | 第73页 |
| ·算法泛化能力分析 | 第73页 |
| ·仿真实验 | 第73-76页 |
| ·本章小结 | 第76-77页 |
| 第6章 基于支持向量机的系统辨识 | 第77-88页 |
| ·支持向量机系统辨识 | 第77-79页 |
| ·支持向量机系统辨识原理 | 第77-78页 |
| ·支持向量机系统辨识方法 | 第78-79页 |
| ·一种RS-SVM 动态预测新方法 | 第79-82页 |
| ·粗集理论与属性约简 | 第79-80页 |
| ·RS-SVM 动态预测方法 | 第80-81页 |
| ·仿真实验 | 第81-82页 |
| ·最小二乘支持向量机混沌时间序列预测 | 第82-87页 |
| ·最小二乘支持向量机混沌预测模型 | 第82-84页 |
| ·仿真实验 | 第84-87页 |
| ·本章小结 | 第87-88页 |
| 第7章 支持向量机在水轮机调速系统故障诊断中的应用 | 第88-98页 |
| ·水轮机调速系统故障诊断问题的特点 | 第89-90页 |
| ·水轮机调速系统常见故障分析 | 第90-91页 |
| ·常用的故障诊断模型 | 第91-92页 |
| ·一种适用于故障诊断的模糊二叉树支持向量机算法 | 第92-95页 |
| ·多级二叉树分类器的构造 | 第92-93页 |
| ·SVM 子分类器的构造 | 第93-94页 |
| ·模糊二叉树支持向量机算法 | 第94-95页 |
| ·诊断结果分析 | 第95-97页 |
| ·本章小结 | 第97-98页 |
| 结束语 | 第98-100页 |
| 参考文献 | 第100-109页 |
| 附录A（攻读学位期间所发表的学术论文目录） | 第109-110页 |
| 附录B（攻读学位期间所从事的主要科研项目） | 第110-111页 |
| 致谢 | 第111页 |