基于特征加权支持向量机的复合材料粘接缺陷量化识别研究
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-10页 |
| 引言 | 第10-14页 |
| 1 研究背景及意义 | 第10页 |
| 2 国内外研究现状 | 第10-12页 |
| 3 课题研究的内容及章节安排 | 第12-14页 |
| 一 统计学习理论与模式识别方法 | 第14-21页 |
| ·机器学习问题中的经验风险最小化原则 | 第14-16页 |
| ·机器学习问题的表示 | 第14-15页 |
| ·经验风险最小化原则 | 第15-16页 |
| ·结构风险最小化原则下机器学习的推广能力 | 第16页 |
| ·统计学习理论中的结构风险最小化原则 | 第16-20页 |
| ·VC维 | 第17页 |
| ·推广性的界 | 第17-18页 |
| ·结构风险最小化原则 | 第18-20页 |
| ·本章小结 | 第20-21页 |
| 二 支持向量机分等级量化识别模型 | 第21-37页 |
| ·支持向量机算法 | 第21-26页 |
| ·最优超平面的构造 | 第21-25页 |
| ·支持向量机算法 | 第25-26页 |
| ·SVM模型参数选择 | 第26-29页 |
| ·基于经验公式的模型选择 | 第26-27页 |
| ·基于交叉验证的模型选择 | 第27-28页 |
| ·基于Matlab的K-CV方法实现 | 第28-29页 |
| ·基于支持向量机的多类别分类 | 第29-36页 |
| ·支持向量机多类别分类算法 | 第29-33页 |
| ·分级聚类支持向量机 | 第33-36页 |
| ·本章小结 | 第36-37页 |
| 三 粘接缺陷特征向量的加权 | 第37-45页 |
| ·特征加权 | 第37-42页 |
| ·特征重要性的度量 | 第37-39页 |
| ·信息增益法 | 第39页 |
| ·增益比率法 | 第39-40页 |
| ·对称不确定性法 | 第40页 |
| ·χ~2检验法 | 第40页 |
| ·Gini指标法 | 第40-41页 |
| ·Relief-F算法 | 第41-42页 |
| ·构造特征加权支持向量机 | 第42-44页 |
| ·本章小结 | 第44-45页 |
| 四 基于SVM的薄板粘接缺陷定量识别 | 第45-59页 |
| ·薄板粘接缺陷超声检测定量识别的数据来源 | 第46-47页 |
| ·数据预处理 | 第47-52页 |
| ·基于K平均聚类的训练集压缩 | 第47-50页 |
| ·数据归一化 | 第50-52页 |
| ·基于支持向量机的薄板粘接缺陷量化识别 | 第52-54页 |
| ·基于特征加权支持向量机的粘接缺陷量化识别 | 第54-57页 |
| ·本章小结 | 第57-59页 |
| 结论 | 第59-61页 |
| 参考文献 | 第61-66页 |
| 致谢 | 第66页 |
| 攻读学位期间发表的学术论文目录 | 第66页 |
| 读研期间参加的科研项目 | 第66页 |
