支持向量机回归模型在微体系结构设计中的应用
| 摘要 | 第1-5页 |
| Abstract | 第5-10页 |
| 第1章 绪言 | 第10-16页 |
| ·研究背景及意义 | 第10-11页 |
| ·研究背景 | 第10-11页 |
| ·研究意义 | 第11页 |
| ·国内外研究现状 | 第11-14页 |
| ·支持向量机研究现状 | 第11-13页 |
| ·遗传算法研究现状 | 第13-14页 |
| ·本文研究的主要内容 | 第14页 |
| ·内容安排 | 第14-16页 |
| 第2章 统计学习理论 | 第16-25页 |
| ·学习问题 | 第16-18页 |
| ·学习问题的表示 | 第16-17页 |
| ·学习问题的模型 | 第17页 |
| ·经验风险最小化 | 第17页 |
| ·复杂性和推广能力 | 第17-18页 |
| ·统计学习理论的组成 | 第18-23页 |
| ·学习过程的一致性 | 第18页 |
| ·收敛速度的界 | 第18-21页 |
| ·学习过程推广能力 | 第21-23页 |
| ·KKT理论 | 第23-24页 |
| ·本章小结 | 第24-25页 |
| 第3章 支持向量机及其它回归模型比较 | 第25-43页 |
| ·SVM的基本思想 | 第25-31页 |
| ·最优分类面 | 第26-27页 |
| ·广义的最优分类面 | 第27-30页 |
| ·核函数 | 第30-31页 |
| ·支持向量机回归 | 第31-34页 |
| ·支持向量机回归原理 | 第31页 |
| ·线性支持向量机回归 | 第31-33页 |
| ·非线性支持向量机回归 | 第33-34页 |
| ·支持向量机算法 | 第34-37页 |
| ·块算法 | 第34-35页 |
| ·分解算法 | 第35页 |
| ·序列最小优化算法 | 第35-37页 |
| ·支持向量回归机类型 | 第37-40页 |
| ·ε-SVR | 第37-39页 |
| ·ν-SVR | 第39-40页 |
| ·回归模型比较 | 第40-42页 |
| ·支持向量机与神经网络 | 第40-41页 |
| ·支持向量机与其它回归模型 | 第41-42页 |
| ·本章小结 | 第42-43页 |
| 第4章 遗传支持向量机 | 第43-53页 |
| ·遗传算法简介 | 第43-47页 |
| ·遗传算法优化流程 | 第43-44页 |
| ·遗传算法的特点 | 第44-45页 |
| ·实现技术 | 第45-47页 |
| ·改进的SMO算法 | 第47-49页 |
| ·SMO算法与二次优化 | 第47-48页 |
| ·自适应学习方法 | 第48-49页 |
| ·SMO算法的特点 | 第49页 |
| ·遗传支持向量回归机 | 第49-52页 |
| ·参数的选择 | 第49-50页 |
| ·GA-SVM流程 | 第50-52页 |
| ·本章小结 | 第52-53页 |
| 第5章 算法实现及仿真实验 | 第53-60页 |
| ·LIBSVM | 第53-55页 |
| ·GA-SVM在微体系结构回归预测中的实现 | 第55-57页 |
| ·数据预处理 | 第55-56页 |
| ·实验设计 | 第56-57页 |
| ·实验结果比较分析 | 第57-59页 |
| ·本章小结 | 第59-60页 |
| 第6章 总结与展望 | 第60-62页 |
| 参考文献 | 第62-65页 |
| 致谢 | 第65-66页 |
| 附录:攻读学位期间的主要研究成果 | 第66页 |
