基于SVM的智能家居辅助决策系统研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 研究现状 | 第10-13页 |
| 1.2.1 国外研究现状 | 第10-12页 |
| 1.2.2 国内研究现状 | 第12-13页 |
| 1.3 主要研究内容及创新点 | 第13页 |
| 1.4 本文组织结构 | 第13-15页 |
| 第2章 智能家居辅助决策相关技术 | 第15-26页 |
| 2.1 智能家居辅助决策系统 | 第15-17页 |
| 2.1.1 智能家居 | 第15-16页 |
| 2.1.2 辅助决策系统 | 第16-17页 |
| 2.2 决策分类技术 | 第17-21页 |
| 2.2.1 BP神经网络 | 第17-18页 |
| 2.2.2 支持向量机 | 第18-19页 |
| 2.2.3 决策树算法 | 第19-20页 |
| 2.2.4 K近邻分类算法 | 第20-21页 |
| 2.3 支持向量机参数优化算法 | 第21-25页 |
| 2.3.1 网格搜索算法 | 第22-23页 |
| 2.3.2 遗传算法 | 第23-24页 |
| 2.3.3 粒子群算法 | 第24-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第3章 基于SVM的辅助决策模型 | 第26-37页 |
| 3.1 辅助决策系统总体架构 | 第26-29页 |
| 3.2 个人环境信息建模 | 第29-30页 |
| 3.3 异常数据处理 | 第30-33页 |
| 3.4 相似用户查找算法 | 第33-34页 |
| 3.5 SVM分类模型构建 | 第34-36页 |
| 3.6 本章小结 | 第36-37页 |
| 第4章 辅助决策模型优化 | 第37-51页 |
| 4.1 群智能与萤火虫算法 | 第37-42页 |
| 4.1.1 进化计算和群智能 | 第37-38页 |
| 4.1.2 人工萤火虫算法 | 第38-40页 |
| 4.1.3 萤火虫算法 | 第40-42页 |
| 4.2 改进萤火虫算法及其在决策优化中的应用 | 第42-47页 |
| 4.2.1 改进萤火虫算法 | 第42-43页 |
| 4.2.2 算法流程 | 第43-44页 |
| 4.2.3 改进萤火虫算法测试 | 第44-47页 |
| 4.3 混合核函数及其在决策优化中的应用 | 第47-50页 |
| 4.4 本章小结 | 第50-51页 |
| 第5章 辅助决策系统设计与实现 | 第51-59页 |
| 5.1 家居环境信息采集 | 第51-52页 |
| 5.2 硬件系统介绍 | 第52-53页 |
| 5.3 软件系统介绍 | 第53-56页 |
| 5.4 辅助决策系统准确度验证 | 第56-58页 |
| 5.5 本章小结 | 第58-59页 |
| 第6章 总结与展望 | 第59-61页 |
| 6.1 总结 | 第59-60页 |
| 6.2 展望 | 第60-61页 |
| 参考文献 | 第61-64页 |
| 攻读硕士学位期间发表的论文及其他成果 | 第64-65页 |
| 致谢 | 第65页 |
