首页--工业技术论文--自动化技术、计算机技术论文--自动化基础理论论文--人工智能理论论文--自动推理、机器学习论文

非正定核机器回归方法的改进研究

摘要第1-4页
ABSTRACT第4-7页
第一章 绪论第7-17页
   ·问题的提出第7-13页
     ·支持向量回归机的引入第7-8页
     ·支持向量回归机算法原理第8-9页
     ·核函数第9-11页
     ·支持向量回归机核方法思想及核函数的研究进展第11-13页
   ·本文研究起点、研究方法及研究平台第13-14页
     ·本文的研究起点第13页
     ·本文的研究内容及其与已有研究内容之间的联系第13-14页
     ·本文的实验工具第14页
   ·本文研究工作概述和内容安排第14-17页
     ·本文的研究工作概述第14-15页
     ·本文的内容安排第15-17页
第二章 非正定核机器学习方法的已有研究成果第17-26页
   ·再生核KERIN 空间非正定核机器学习方法第17-20页
     ·再生核Kerin 空间(Reproducing Kernel Kerin Space,RKKS)第17-18页
     ·非正定核函数第18-19页
     ·RKKS 机器学习第19-20页
     ·RKKS 机器学习理论应用的策略第20页
   ·用于求解非正定核的支持向量分类机SVC 的SMO 算法第20-23页
     ·SMO-SVC 模型第20-22页
     ·用于求解非正定核SVC 的SMO 算法第22页
     ·对求解非正定核SVC 的SMO 算法进行分析第22-23页
   ·求解半无限二次约束线性模型的算法第23-26页
     ·半无限二次约束线性模型第23-24页
     ·求解半无限二次约束线性模型的算法第24-25页
     ·算法的收敛性第25页
     ·对算法的改进,消除无效的约束第25-26页
第三章 用NORM-R 损失函数对NPKMR 方法的改进研究第26-37页
   ·非正定核机器学习模型INPKMR第26-27页
     ·再生核krein 空间(Reproducing Kernel Krein Spaces)的机器学习第26页
     ·非正定核的机器学习模型NPKMR第26-27页
   ·改进的非正定核机器学习模型INPKMR 及其求解第27-32页
     ·松弛变量第27-29页
     ·惩罚因子第29-30页
     ·改进的非正定核机器学习模型INPKMR第30页
     ·求解INPKMR 模型的梯度下降迭代公式第30-32页
     ·用梯度下降法实现INPKMR 模型的算法第32页
   ·实验及其结果第32-36页
     ·实验目的第32-33页
     ·实验设计第33页
     ·实验结果与分析第33-36页
   ·结论第36-37页
第四章 求解非正定核SVR 的SMO 算法第37-47页
   ·求解非正定核SVR 的SMO 算法第37-43页
     ·SVR 模型第37-38页
     ·用于求解非正定核SVR 的SMO 算法第38-39页
     ·对算法进行分析第39-43页
       ·选择待优化的α_i , α_j第39-41页
       ·将SVR 转化为求解一个变量d_j 的最优化问题第41页
       ·求d_j 的最优解第41-43页
   ·实验及其结果第43-46页
     ·实验目的第43页
     ·实验设计第43-44页
     ·实验结果与分析第44-46页
   ·结论第46-47页
第五章 非正定核机器回归方法的应用实例第47-55页
   ·改进的非正定核机器学习模型INPKMR第47-49页
     ·INPKMR 模型第47-48页
     ·求解 INPKMR 模型的算法第48-49页
   ·求解非正定核SVR 的SMO 算法第49页
     ·引入Huber 损失函数的SVR 模型第49页
     ·求解非正定核SVR 的SMO 算法第49页
   ·实验与实验结果第49-53页
     ·实验目的第49-50页
     ·实验步骤第50-51页
     ·实验结果与分析第51-53页
   ·结论第53-55页
第六章 总结与展望第55-57页
   ·总结第55页
   ·展望第55-57页
致谢第57-58页
参考文献第58-61页
附录:作者在攻读硕士学位期间发表的论文第61页

论文共61页,点击 下载论文
上一篇:基于现场总线的多梳经编机集成控制系统研究
下一篇:基于人工免疫网络的药代动力学参数优化算法研究