| 摘要 | 第1-4页 |
| ABSTRACT | 第4-9页 |
| 第一章 绪论 | 第9-11页 |
| ·研究的背景和意义 | 第9-10页 |
| ·论文的主要工作及结构安排 | 第10-11页 |
| 第二章 支持向量机及其学习算法 | 第11-19页 |
| ·统计学习理论 | 第11-12页 |
| ·支持向量机 | 第12-16页 |
| ·SVM 模式分类器 | 第13-14页 |
| ·SVM 回归分析（SVR） | 第14-16页 |
| ·支持向量机的研究现状及进展 | 第16-18页 |
| ·本章小结 | 第18-19页 |
| 第三章 基于混沌粒子群优化的SVM 在心脏病诊断中的应用 | 第19-26页 |
| ·引言 | 第19页 |
| ·混沌及运动特性 | 第19-20页 |
| ·粒子群算法 | 第20页 |
| ·粒子群算法的基本原理 | 第20页 |
| ·粒子群的学习算法 | 第20页 |
| ·SVM 参数的优化算法(CAPSO_SVM) | 第20-22页 |
| ·算法实现 | 第22-23页 |
| ·基于优化的SVM 的心脏诊断 | 第23-25页 |
| ·实验数据 | 第23页 |
| ·数据预处理 | 第23页 |
| ·实验结果 | 第23-25页 |
| ·本章小结 | 第25-26页 |
| 第四章 基于混沌优化的 SVR 的区域物流需求预测算法 | 第26-32页 |
| ·引言 | 第26页 |
| ·SVR 参数的优化方法 | 第26-27页 |
| ·区域物流需求预测实例 | 第27-31页 |
| ·实验数据 | 第27页 |
| ·数据预处理 | 第27-31页 |
| ·实验结果 | 第31页 |
| ·算法实现 | 第31页 |
| ·本章小结 | 第31-32页 |
| 第五章 基于混合核函数的 SVM 对流程企业供应链预测算法 | 第32-40页 |
| ·引言 | 第32页 |
| ·核函数 | 第32-33页 |
| ·混合核函数 | 第33-35页 |
| ·流程企业供应链预测实例 | 第35-39页 |
| ·实验数据 | 第35-36页 |
| ·数据预处理 | 第36页 |
| ·实验结果 | 第36-39页 |
| ·算法实现 | 第39页 |
| ·本章小结 | 第39-40页 |
| 第六章 总结与展望 | 第40-42页 |
| ·总结 | 第40-41页 |
| ·展望 | 第41-42页 |
| 参考文献 | 第42-46页 |
| 附录 | 第46-66页 |
| 致谢 | 第66-67页 |
| 攻读硕士期间参与的科研项目 | 第67-68页 |
| 攻读硕士期间发表的学术论文 | 第68页 |
