| 摘要 | 第5-7页 |
| Abstract | 第7-9页 |
| 目录 | 第10-13页 |
| 插图索引 | 第13-15页 |
| 附表索引 | 第15-16页 |
| 第1章 绪论 | 第16-34页 |
| 1.1 引言 | 第16-17页 |
| 1.2 机器学习与统计学习理论简介 | 第17-20页 |
| 1.2.1 机器学习概念 | 第17-18页 |
| 1.2.2 经验风险最小化 | 第18页 |
| 1.2.3 复杂性与推广能力 | 第18-19页 |
| 1.2.4 VC维 | 第19页 |
| 1.2.5 推广性的界 | 第19-20页 |
| 1.2.6 结构风险最小化 | 第20页 |
| 1.3 支持向量机 | 第20-27页 |
| 1.3.1 支持向量分类 | 第21-23页 |
| 1.3.2 支持向量回归 | 第23-25页 |
| 1.3.3 支持向量机的研究进展 | 第25-27页 |
| 1.4 最小二乘支持向量机 | 第27-32页 |
| 1.4.1 最小二乘支持向量机原理及其优缺点 | 第27-28页 |
| 1.4.2 最小二乘支持向量机研究现状 | 第28-32页 |
| 1.4.3 最小二乘支持向量机在动态系统建模与控制中的应用研究现状 | 第32页 |
| 1.5 本文的主要工作 | 第32-34页 |
| 第2章 LSSVM在线学习方法及其加速策略 | 第34-45页 |
| 2.1 引言 | 第34页 |
| 2.2 最小二乘支持向量机离线式学习算法 | 第34-37页 |
| 2.2.1 LSSVM分类学习算法 | 第34-35页 |
| 2.2.2 LSSVM回归学习算法 | 第35-37页 |
| 2.3 最小二乘支持向量机在线学习算法及其加速策略 | 第37-39页 |
| 2.3.1 最小二乘支持向量机在线学习算法 | 第37-38页 |
| 2.3.2 最小二乘支持向量机在线学习算法加速策略 | 第38-39页 |
| 2.4 在线LSSVM加速策略效果仿真测试 | 第39-44页 |
| 2.4.1 仿真实验方案 | 第40-42页 |
| 2.4.2 仿真实验及分析 | 第42-44页 |
| 2.5 本章小结 | 第44-45页 |
| 第3章 最小二乘支持向量机稀疏化方法 | 第45-71页 |
| 3.1 一种构造稀疏LSSVM的快速剪枝算法 | 第45-51页 |
| 3.1.1 一次快速剪枝过程 | 第47-48页 |
| 3.1.2 基于快速剪枝的稀疏最小二乘支持向量机构造算法 | 第48-49页 |
| 3.1.3 算法性能仿真分析 | 第49-51页 |
| 3.2 带时间窗型在线LSSVM稀疏化方法 | 第51-60页 |
| 3.2.1 增加样本处理 | 第52页 |
| 3.2.2 留一交叉验证误差计算 | 第52-53页 |
| 3.2.3 删除样本的选择与处理 | 第53-55页 |
| 3.2.4 加速策略 | 第55页 |
| 3.2.5 稀疏在线LSSVM学习算法 | 第55-56页 |
| 3.2.6 基于在线稀疏LSSVM的系统建模仿真及分析 | 第56-60页 |
| 3.3 在线无偏置LSSVM稀疏化方法 | 第60-69页 |
| 3.3.1 无偏置最小二乘支持向量机 | 第60-62页 |
| 3.3.2 增加样本 | 第62-63页 |
| 3.3.3 消减样本 | 第63-65页 |
| 3.3.4 稀疏在线无偏置LSSVM完整学习算法 | 第65-66页 |
| 3.3.5 SONB-LSSVM与ONB-LSSVM的比较 | 第66-67页 |
| 3.3.6 关于在线LSSVM的讨论 | 第67-69页 |
| 3.4 本章小结 | 第69-71页 |
| 第4章 基于无偏置LSSVM的稳健在线过程建模方法 | 第71-81页 |
| 4.1 概述 | 第71-72页 |
| 4.2 在线无偏置LSSVM回顾 | 第72页 |
| 4.3 基于无偏置LSSVM的稳健在线过程建模方法 | 第72-74页 |
| 4.3.1 样本序列结构和噪声作用特征 | 第72页 |
| 4.3.2 抗噪策略 | 第72-74页 |
| 4.3.3 稳健在线建模和预测算法 | 第74页 |
| 4.4 仿真实验及分析 | 第74-80页 |
| 4.5 本章小结 | 第80-81页 |
| 第5章 核参数分时段调节型LSSVM在线系统建模方法 | 第81-92页 |
| 5.1 概述 | 第81-82页 |
| 5.2 核参数分时段调节型LSSVM的在线系统建模方法 | 第82-85页 |
| 5.2.1 核参数分时段调节方式 | 第83-84页 |
| 5.2.2 完整在线建模预测算法 | 第84-85页 |
| 5.3 仿真实验及分析 | 第85-91页 |
| 5.4 本章小结 | 第91-92页 |
| 第6章 在线式LSSVM在预测控制中的应用 | 第92-108页 |
| 6.1 概述 | 第92-93页 |
| 6.2 LSSVM在预测控制中的应用状况 | 第93-94页 |
| 6.3 基于稀疏在线无偏置LSSVM的预测控制方法 | 第94-98页 |
| 6.3.1 基于稀疏在线无偏置LSSVM的预测模型 | 第95页 |
| 6.3.2 预测控制器设计 | 第95-96页 |
| 6.3.3 完整建模和控制算法 | 第96-98页 |
| 6.4 仿真实验及分析 | 第98-107页 |
| 6.4.1 液位控制 | 第98-102页 |
| 6.4.2 CSTR控制系统 | 第102-104页 |
| 6.4.3 智能粘度仪水浴温度控制 | 第104-106页 |
| 6.4.4 参数设置讨论 | 第106-107页 |
| 6.5 本章小结 | 第107-108页 |
| 第7章 在线式LSSVM在逆控制中的应用 | 第108-129页 |
| 7.1 概述 | 第108-109页 |
| 7.2 基于稀疏在线无偏置LSSVM的自适应直接逆控制方法 | 第109-118页 |
| 7.2.1 具体自适应直接逆控制方法 | 第110-113页 |
| 7.2.2 仿真实验及分析 | 第113-118页 |
| 7.3 在线无偏置LSSVM逆模型和PID的自适应复合控制 | 第118-127页 |
| 7.3.1 具体复合控制方法 | 第118-121页 |
| 7.3.2 仿真实验及分析 | 第121-127页 |
| 7.4 本章小结 | 第127-129页 |
| 结论 | 第129-132页 |
| 参考文献 | 第132-145页 |
| 致谢 | 第145-146页 |
| 附录A 攻读博士学位期间所撰写的学术论文 | 第146-147页 |
| 附录B 攻读博士学位期间参加的科研项目 | 第147页 |
