| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 铀矿生物堆浸工艺简介 | 第10-11页 |
| 1.2 国内外研究及应用现状 | 第11-15页 |
| 1.2.1 支持向量机（SVM）的研究及应用现状 | 第11-13页 |
| 1.2.2 数据降维技术的研究及应用现状 | 第13-15页 |
| 1.3 本文的主要工作内容 | 第15-16页 |
| 第二章 基本理论介绍 | 第16-25页 |
| 2.1 BP神经网络 | 第16-17页 |
| 2.2 支持向量机 | 第17-19页 |
| 2.3 交叉验证的网格搜索法 | 第19-20页 |
| 2.4 遗传（GA）算法 | 第20-21页 |
| 2.4.1 遗传算法的基本原理 | 第20页 |
| 2.4.2 遗传算法的参数寻优 | 第20-21页 |
| 2.5 粒子群（PSO）算法 | 第21-25页 |
| 2.5.1 粒子群算法基本原理 | 第21-22页 |
| 2.5.2 离散二进制粒子群（BPSO）算法 | 第22-23页 |
| 2.5.3 粒子群算法的参数寻优 | 第23-25页 |
| 第三章 基于BP神经网络的仿真应用 | 第25-30页 |
| 3.1 BP神经网络模型的构建 | 第25-26页 |
| 3.1.1 数据预处理 | 第25页 |
| 3.1.2 BP神经网络结构的确定 | 第25-26页 |
| 3.2 基于BP神经网络模型的仿真实验及结果分析 | 第26-30页 |
| 第四章 基于PCA-SVM的仿真应用 | 第30-42页 |
| 4.1 主成分分析（PCA）原理简介 | 第30页 |
| 4.2 PCA-SVM组合算法 | 第30-31页 |
| 4.3 基于PCA-SVM的仿真实验 | 第31-37页 |
| 4.3.1 指标选取 | 第31-32页 |
| 4.3.2 主成分分析处理 | 第32-35页 |
| 4.3.3 基于三种不同算法的参数寻优 | 第35-37页 |
| 4.4 实验结果与分析 | 第37-42页 |
| 4.4.1 对比经PCA特征提取和未经PCA特征提取的实验结果 | 第37-39页 |
| 4.4.2 对比三种不同参数寻优的实验结果 | 第39页 |
| 4.4.3 对比不同样品采集方式的实验结果 | 第39-42页 |
| 第五章 基于MIV-SVM的仿真应用 | 第42-49页 |
| 5.1 基于平均影响值（MIV）的变量筛选方法 | 第42-43页 |
| 5.2 MIV-SVM特征选择算法 | 第43-44页 |
| 5.3 基于MIV-SVM模型的仿真实验 | 第44-49页 |
| 5.3.1 计算MIV值 | 第44页 |
| 5.3.2 变量筛选与结果分析 | 第44-46页 |
| 5.3.3 不同样品采集方式的实验结果与分析 | 第46-49页 |
| 第六章 基于BPSO算法的仿真应用 | 第49-53页 |
| 6.1 粒子群算法在特征选择中的应用 | 第49页 |
| 6.2 基于BPSO特征选择算法的仿真实验 | 第49-53页 |
| 6.2.1 样本选取及实验参数设置 | 第49-50页 |
| 6.2.2 最优特征子集的选择与结果分析 | 第50-51页 |
| 6.2.3 不同样品采集方式的实验结果与分析 | 第51-53页 |
| 第七章 基于MIV-SVM和BPSO的仿真应用 | 第53-58页 |
| 7.1 基于MIV-SVM和BPSO的特征选择模型 | 第53-54页 |
| 7.1.1 基本原理介绍 | 第53-54页 |
| 7.1.2 MIV-SVM-BPSO建模具体步骤 | 第54页 |
| 7.2 基于MIV-SVM-BPSO模型的仿真实验 | 第54-58页 |
| 7.2.1 样本选取及实验参数设置 | 第54-55页 |
| 7.2.2 实验结果与分析 | 第55-58页 |
| 第八章 总结与展望 | 第58-60页 |
| 8.1 全文总结 | 第58-59页 |
| 8.2 研究展望 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 致谢 | 第64-66页 |
| 附录 攻读硕士学位期间的研究成果 | 第66页 |
