| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 背景知识 | 第10-12页 |
| 1.1.1 机器学习及支持向量回归 | 第10-12页 |
| 1.1.2 碳酸钙反应结晶 | 第12页 |
| 1.2 机器学习下碳酸钙反应结晶问题的研究 | 第12-13页 |
| 1.3 本文主要研究内容 | 第13页 |
| 1.4 本文的组织结构 | 第13-16页 |
| 第二章 支持向量回归增量学习算法 | 第16-26页 |
| 2.1 统计学习理论中的机器学习问题 | 第16-19页 |
| 2.1.1 VC维简介 | 第16-17页 |
| 2.1.2 结构风险最小化理论 | 第17-19页 |
| 2.2 支持向量回归 | 第19-24页 |
| 2.2.1 核函数、核方法和损失函数 | 第19-20页 |
| 2.2.2 SVM的基本思想 | 第20页 |
| 2.2.3 ε-支持向量回归 | 第20-23页 |
| 2.2.4 v-支持向量回归 | 第23-24页 |
| 2.3 支持向量回归增量学习方法 | 第24-26页 |
| 2.3.1 增量学习的基本思想 | 第24页 |
| 2.3.2 支持向量的分布特点 | 第24-26页 |
| 第三章 基于样本选择的双重增量支持向量回归算法 | 第26-36页 |
| 3.1 常见的几种支持向量机增量学习算法 | 第26-27页 |
| 3.2 基于样本选择的双重增量支持向量回归学习方法 | 第27-33页 |
| 3.2.1 SVR增量学习的过程 | 第27-29页 |
| 3.2.2 ISVR与样本预处理 | 第29-30页 |
| 3.2.3 SSDISVR算法的数学模型 | 第30-33页 |
| 3.3 实验结果与分析 | 第33-36页 |
| 第四章 SSDISVR算法在碳酸钙结晶模拟计算中的应用 | 第36-46页 |
| 4.1 碳酸钙结晶的实验简介 | 第36-39页 |
| 4.1.1 结晶机理 | 第36-38页 |
| 4.1.2 碳酸钙结晶的实验分析 | 第38-39页 |
| 4.1.3 现有方法存在的问题 | 第39页 |
| 4.2 SSDISVR算法的应用 | 第39-40页 |
| 4.3 模拟实验结果与分析 | 第40-46页 |
| 4.3.1 实验样本数据的预处理 | 第40-41页 |
| 4.3.2 实验过程与结果分析 | 第41-43页 |
| 4.3.3 拟合效果图 | 第43-46页 |
| 第五章 碳酸钙结晶数据模拟软件的设计与开发 | 第46-54页 |
| 5.1 系统相关技术和开发环境 | 第46页 |
| 5.2 需求分析 | 第46-47页 |
| 5.3 系统总体设计 | 第47-51页 |
| 5.3.1 SSDISVR软件包概述 | 第47页 |
| 5.3.2 开发运行环境 | 第47页 |
| 5.3.3 功能架构 | 第47-48页 |
| 5.3.4 数据库设计 | 第48-51页 |
| 5.4 界面设计与实现 | 第51-54页 |
| 第六章 结论 | 第54-56页 |
| 6.1 总结 | 第54页 |
| 6.2 下一步工作 | 第54-56页 |
| 参考文献 | 第56-60页 |
| 攻读学位期间所取得的相关科研成果 | 第60-62页 |
| 致谢 | 第62-63页 |