遗传算法和支持向量机混合方法及其应用
| 中文摘要 | 第5-6页 |
| 英文摘要 | 第6页 |
| 1 前言 | 第7-11页 |
| 1．1 课题研究背景 | 第7-9页 |
| 1．2 研究成果及意义 | 第9页 |
| 1．3 全文内容安排 | 第9-11页 |
| 2 遗传算法的基本理论 | 第11-23页 |
| 2．1 概述 | 第11-12页 |
| 2．2 基本遗传算法 | 第12-14页 |
| 2．2．1 基本遗传算法的构成要素 | 第12-13页 |
| 2．2．2 基本遗传算法的一般框架 | 第13-14页 |
| 2．3 模式定理 | 第14-16页 |
| 2．4 遗传算法的基本实现技术 | 第16-23页 |
| 2．4．1 编码方法 | 第16-20页 |
| 2．4．2 适应度函数 | 第20-21页 |
| 2．4．3 选择算子 | 第21-22页 |
| 2．4．4 交叉算子 | 第22页 |
| 2．4．5 变异算子 | 第22-23页 |
| 3 支持向量机的基本概念 | 第23-33页 |
| 3．1 概述 | 第23页 |
| 3．2 统计学习问题 | 第23-24页 |
| 3．2．1 经验风险 | 第23页 |
| 3．2．2 VC维 | 第23-24页 |
| 3．3 学习过程的一致性 | 第24-25页 |
| 3．3．1 学习一致性的经典定义 | 第24-25页 |
| 3．4 结构风险最小归纳原理 | 第25-27页 |
| 3．5 支持向量机 | 第27-31页 |
| 3．5．1 线性可分 | 第27-29页 |
| 3．5．2 线性不可分 | 第29-31页 |
| 3．6 核函数 | 第31-33页 |
| 3．6．1 多项式核函数 | 第31页 |
| 3．6．2 径向基函数 | 第31-33页 |
| 4 遗传算法进行特征选择的设计 | 第33-37页 |
| 4．1 概述 | 第33-34页 |
| 4．2 方法的基本概念 | 第34页 |
| 4．3 使用遗传算法进行特征选择和提取的几种变换 | 第34-36页 |
| 4．4 使用遗传算法的意义 | 第36-37页 |
| 5 支持向量机回归若干概念 | 第37-45页 |
| 5．1 基本概念 | 第37-40页 |
| 5．1．1 问题背景 | 第37页 |
| 5．1．2 基本思想 | 第37-38页 |
| 5．1．3 对偶公式和二次规划 | 第38-39页 |
| 5．1．4 计算 | 第39-40页 |
| 5．2 核函数 | 第40-42页 |
| 5．2．1 通过数据预处理产生非线性 | 第40页 |
| 5．2．2 通过核函数进行隐式的映射 | 第40-41页 |
| 5．2．3 核函数必须满足的条件 | 第41-42页 |
| 5．3 代价函数 | 第42-43页 |
| 5．4 进一步的说明 | 第43-45页 |
| 6 支持向量机回归的具体算法及其改进 | 第45-50页 |
| 6．1 问题背景 | 第45-46页 |
| 6．2 v-SV算法及其改进 | 第46-47页 |
| 6．3 ε-SV算法的参数调整 | 第47-50页 |
| 6．3．1 参数C的选取 | 第48页 |
| 6．3．2 参数ε的选取 | 第48-49页 |
| 6．3．3 高斯函数宽度γ的选取 | 第49-50页 |
| 7 算法的应用研究 | 第50-55页 |
| 7．1 脱硫预报模型概述 | 第50页 |
| 7．2 仿真结果与分析 | 第50-54页 |
| 7．4 仿真结果小结 | 第54-55页 |
| 8 结束语 | 第55-56页 |
| 致谢 | 第56-57页 |
| 参考文献 | 第57-59页 |
