基于PFO算法的支持向量机参数优化的研究
| 摘要 | 第1-6页 |
| Abstract | 第6-11页 |
| 第1章 绪论 | 第11-15页 |
| ·课题研究的背景 | 第11-12页 |
| ·课题研究的意义 | 第12-13页 |
| ·课题研究的主要内容 | 第13-15页 |
| 第2章 粒子群优化算法 | 第15-23页 |
| ·引言 | 第15-16页 |
| ·粒子群优化算法的自然原理 | 第15页 |
| ·粒子群优化算法的发展及存在的问题 | 第15-16页 |
| ·PSO算法基本原理 | 第16-17页 |
| ·PSO算法的数学描述 | 第17-19页 |
| ·原始的粒子群优化算法 | 第17-18页 |
| ·标准的粒子群优化算法 | 第18-19页 |
| ·PSO算法流程 | 第19-20页 |
| ·PSO算法参数设置 | 第20-22页 |
| ·PSO算法主要应用领域 | 第22-23页 |
| 第3章 粒子滤波器优化算法 | 第23-39页 |
| ·PSO算法的改进 | 第23页 |
| ·粒子滤波器 | 第23-28页 |
| ·粒子滤波器基本理论 | 第23-24页 |
| ·回归贝叶斯估计 | 第24-26页 |
| ·蒙特卡罗分析 | 第26-27页 |
| ·贝叶斯重要性采样 | 第27-28页 |
| ·粒子滤波器基本算法 | 第28-32页 |
| ·顺序重要性采样 | 第28-30页 |
| ·采样重要性重采样 | 第30-31页 |
| ·粒子滤波器算法基本流程 | 第31-32页 |
| ·基于粒子滤波器的粒子群优化算法 | 第32-34页 |
| ·粒子滤波器优化算法 | 第32-34页 |
| ·粒子滤波器优化算法流程 | 第34页 |
| ·实验仿真 | 第34-39页 |
| 第4章 支持向量机理论 | 第39-55页 |
| ·统计学习理论基础 | 第39-42页 |
| ·VC维理论 | 第39-40页 |
| ·推广性的界 | 第40-41页 |
| ·结构风险最小化 | 第41-42页 |
| ·SVM基本原理 | 第42-49页 |
| ·最优分类超平面 | 第43-47页 |
| ·线性可分的情况 | 第43-45页 |
| ·线性不可分的情况 | 第45-47页 |
| ·SVM模型的参数分析 | 第47-49页 |
| ·支持向量机的参数优化 | 第49-53页 |
| ·其他几种参数优化方法的简要介绍 | 第49-50页 |
| ·基于标准粒子群优化算法的参数优化 | 第50-51页 |
| ·基于粒子滤波器优化算法的参数优化 | 第51-53页 |
| ·本章小结 | 第53-55页 |
| 第5章 实验及分析 | 第55-63页 |
| ·心电图信号介绍 | 第55-57页 |
| ·基于SVM的ECG分类方法的基本思想 | 第57-58页 |
| ·实验设计 | 第58-61页 |
| ·参数优化 | 第58-59页 |
| ·基于PSO算法的参数优化 | 第58页 |
| ·基于PFO算法的参数优化 | 第58-59页 |
| ·样本分类 | 第59-61页 |
| ·样本数据的获得与输入 | 第59-60页 |
| ·样本选择 | 第60页 |
| ·实验结果 | 第60-61页 |
| ·本章小结 | 第61-63页 |
| 第6章 总结与展望 | 第63-65页 |
| ·本文研究工作总结 | 第63页 |
| ·展望 | 第63-65页 |
| 参考文献 | 第65-69页 |
| 致谢 | 第69页 |
