智能支持向量机方法及其在丙烯聚合熔融指数预报中的应用
| 致谢 | 第1-6页 |
| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 目录 | 第8-10页 |
| 1 绪论 | 第10-28页 |
| ·引言 | 第10页 |
| ·机器学习 | 第10-13页 |
| ·机器学习分类和应用 | 第11页 |
| ·机器学习表示 | 第11-13页 |
| ·统计学习理论 | 第13-21页 |
| ·最小化期望风险的准则 | 第13-15页 |
| ·支持向量机理论 | 第15-21页 |
| ·智能优化算法 | 第21-24页 |
| ·智能优化算法的分类 | 第22-23页 |
| ·智能优化算法性能的改善 | 第23-24页 |
| ·熔融指数预报研究现状 | 第24-25页 |
| ·本文的内容安排 | 第25-26页 |
| ·小结 | 第26-28页 |
| 2 支持向量机 | 第28-44页 |
| ·引言 | 第28-29页 |
| ·SVM非线性回归原理 | 第29-34页 |
| ·最小二乘支持向量机 | 第32-33页 |
| ·加权最小二乘支持向量机 | 第33-34页 |
| ·相关向量机 | 第34-37页 |
| ·相关向量机的基本理论 | 第34-35页 |
| ·相关向量机模型基本原理 | 第35-37页 |
| ·聚丙烯熔融指数预报 | 第37-43页 |
| ·聚丙烯生产背景 | 第37-38页 |
| ·过程数据及其预处理 | 第38-39页 |
| ·检验模型指标 | 第39-40页 |
| ·模型性能比较 | 第40-43页 |
| ·小结 | 第43-44页 |
| 3 简单智能支持向量机 | 第44-56页 |
| ·引言 | 第44页 |
| ·基本粒子群优化算法描述 | 第44-47页 |
| ·粒子群优化算法的改进 | 第46-47页 |
| ·简单智能支持向量机模型 | 第47-49页 |
| ·实例验证 | 第49-53页 |
| ·PSO算法优化支持向量机的参数选择 | 第49-51页 |
| ·模型性能比较 | 第51-53页 |
| ·小结 | 第53-56页 |
| 4 混合智能支持向量机 | 第56-72页 |
| ·引言 | 第56页 |
| ·免疫克隆算法 | 第56-61页 |
| ·人工免疫算法 | 第57-60页 |
| ·克隆选择算法 | 第60-61页 |
| ·免疫算法的特点 | 第61页 |
| ·蚁群算法 | 第61-66页 |
| ·蚁群算法基本原理 | 第62页 |
| ·基本蚁群算法的数学模型 | 第62-64页 |
| ·基本蚁群算法的具体实现 | 第64-65页 |
| ·蚁群算法的特点 | 第65-66页 |
| ·混合智能支持向量机模型 | 第66-68页 |
| ·免疫粒子群优化支持向量机 | 第66-67页 |
| ·蚁群—免疫粒子群优化支持向量机 | 第67-68页 |
| ·实例验证 | 第68-71页 |
| ·总结 | 第71-72页 |
| 5 校正策略 | 第72-80页 |
| ·引言 | 第72页 |
| ·数据的校正 | 第72-74页 |
| ·数据协调方法 | 第73-74页 |
| ·显著误差检测 | 第74页 |
| ·模型的在线校正 | 第74-77页 |
| ·直接在线校正法 | 第75-76页 |
| ·替代法 | 第76页 |
| ·滑动窗法 | 第76-77页 |
| ·熔融指数在线校正预报 | 第77-79页 |
| ·小结 | 第79-80页 |
| 6 总结和展望 | 第80-82页 |
| ·全文总结 | 第80-81页 |
| ·研究设想和展望 | 第81-82页 |
| 参考文献 | 第82-90页 |
| 作者攻读硕士期间的成果 | 第90页 |
