| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 绪论 | 第8-16页 |
| 1.1 引言 | 第8页 |
| 1.2 智能烘烤系统 | 第8-10页 |
| 1.3 电子鼻技术 | 第10-11页 |
| 1.4 增量学习 | 第11-14页 |
| 1.4.1 增量学习思想 | 第12页 |
| 1.4.2 增量学习研究及应用现状 | 第12-14页 |
| 1.5 论文的主要内容及章节安排 | 第14-16页 |
| 2 智能烘烤系统中的增量学习 | 第16-28页 |
| 2.1 烟叶智能烘烤系统平台 | 第16-19页 |
| 2.1.1 信息采集与控制系统 | 第16-18页 |
| 2.1.2 上位机软件系统 | 第18-19页 |
| 2.2 烘烤工艺简介 | 第19-20页 |
| 2.3 烟叶智能烘烤学习模型及其增量学习问题 | 第20-26页 |
| 2.3.1 烟叶烘烤特征变化特性 | 第20-23页 |
| 2.3.2 智能烘烤机器学习模型 | 第23-25页 |
| 2.3.3 烟叶智能烘烤的增量学习问题分析 | 第25-26页 |
| 2.4 本章小结 | 第26-28页 |
| 3 基于支持向量回归机的增量学习算法 | 第28-42页 |
| 3.1 支持向量回归机 | 第28-37页 |
| 3.1.1 损失函数和核函数 | 第28-30页 |
| 3.1.2 支持向量回归机(ε-SVR) | 第30-34页 |
| 3.1.3 加权支持向量回归机(WSVR) | 第34-35页 |
| 3.1.4 在线支持向量回归机(AOSVR) | 第35-37页 |
| 3.2 基于支持向量回归机的增量学习方法 | 第37-40页 |
| 3.2.1 SVR增量学习模型 | 第38-39页 |
| 3.2.2 基于支持向量回归的增量样本筛选方法 | 第39-40页 |
| 3.3 本章小结 | 第40-42页 |
| 4 基于样本拓扑的增量加权支持向量回归算法 | 第42-52页 |
| 4.1 SOINN网络 | 第42-44页 |
| 4.1.1 竞争学习 | 第42页 |
| 4.1.2 SOINN网络理论与实现 | 第42-44页 |
| 4.2 基于样本拓扑的增量加权支持向量回归机算法及其有效性分析 | 第44-50页 |
| 4.2.1 一般增量模型缺点分析 | 第44-47页 |
| 4.2.2 算法及其有效性验证 | 第47-50页 |
| 4.3 本章小结 | 第50-52页 |
| 5 实验数据及结果分析 | 第52-74页 |
| 5.1 烘烤网络模型融合 | 第52-54页 |
| 5.1.1 样本数据的采集 | 第52页 |
| 5.1.2 烘烤网络模型验证及网络加权融合 | 第52-54页 |
| 5.2 增量算法实验与分析 | 第54-70页 |
| 5.2.1 UCI数据集实验与分析 | 第54-63页 |
| 5.2.2 实测数据集实验与分析 | 第63-70页 |
| 5.3 智能烘烤实现方案 | 第70-73页 |
| 5.4 本章小结 | 第73-74页 |
| 6 总结与展望 | 第74-76页 |
| 致谢 | 第76-78页 |
| 参考文献 | 第78-84页 |
| 附录 | 第84-86页 |
| A. 作者在攻读学位期间发表的相关科研论文 | 第84页 |
| B. 作者在攻读学位期间申请的相关专利 | 第84页 |
| C. 作者在攻读学位期间参与的相关科研项目 | 第84页 |
| D. 作者在攻读学位期间获得的奖励 | 第84页 |
| E. 论文中相关代码清单 | 第84-86页 |