| 摘要 | 第1-7页 |
| Abstract | 第7-11页 |
| 第1章 绪论 | 第11-17页 |
| ·课题背景及意义 | 第11-12页 |
| ·国内外研究的现状 | 第12-16页 |
| ·基于K-S 经验模型的预测方法 | 第12-13页 |
| ·基于智能算法的预测模型 | 第13-16页 |
| ·本文主要研究内容 | 第16-17页 |
| 第2章 基于稀疏贝叶斯学习的相关向量机 | 第17-25页 |
| ·统计学习理论 | 第17-19页 |
| ·机器学习理论 | 第17-18页 |
| ·统计学习理论 | 第18-19页 |
| ·贝叶斯理论 | 第19-20页 |
| ·贝叶斯风险决策 | 第19-20页 |
| ·贝叶斯理论特点 | 第20页 |
| ·相关向量机 | 第20-24页 |
| ·RVM 模型定义 | 第21-22页 |
| ·超参数的优化 | 第22-23页 |
| ·RVM 模型预测 | 第23页 |
| ·RVM 相比于其他方法的优势 | 第23-24页 |
| ·本章小结 | 第24-25页 |
| 第3章 小波分析理论 | 第25-30页 |
| ·小波变换的由来 | 第25页 |
| ·小波分析 | 第25-27页 |
| ·小波变换定义 | 第26页 |
| ·连续小波变换 | 第26-27页 |
| ·离散小波变换 | 第27页 |
| ·小波变换的多分辨率分析 | 第27页 |
| ·小波包分析 | 第27-29页 |
| ·小波变换分析在本文模型中的应用 | 第29页 |
| ·本章小结 | 第29-30页 |
| 第4章 基于小波包-小波相关向量机的污垢时间序列预测 | 第30-50页 |
| ·数据的采集 | 第30-35页 |
| ·数据来源说明 | 第31-33页 |
| ·实验设计 | 第33页 |
| ·样本数据集预处理 | 第33-34页 |
| ·核函数的构造 | 第34-35页 |
| ·预测评价指标 | 第35页 |
| ·基于标准相关向量机的污垢热阻时间序列预测分析 | 第35-38页 |
| ·基于小波相关向量机的污垢热阻时间序列预测分析 | 第38-43页 |
| ·小波相关向量机预测模型的建立 | 第38-40页 |
| ·预测结果 | 第40-43页 |
| ·基于小波包相关向量机的污垢热阻时间序列预测分析 | 第43-48页 |
| ·小波包相关向量机模型的建立 | 第43-44页 |
| ·预测结果 | 第44-48页 |
| ·预测结果对比与分析 | 第48-49页 |
| ·本章小结 | 第49-50页 |
| 结论 | 第50-52页 |
| 参考文献 | 第52-57页 |
| 攻读硕士学位期间发表论文情况 | 第57-58页 |
| 致谢 | 第58页 |