| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 第一章 绪论 | 第7-15页 |
| ·课题背景及意义 | 第7-11页 |
| ·机器学习问题的描述 | 第7-9页 |
| ·经验风险最小化 | 第9页 |
| ·函数集的 VC 维与结构风险最小化 | 第9-11页 |
| ·支持向量机 | 第11页 |
| ·支持向量机的研究现状 | 第11-13页 |
| ·支持向量机的理论研究现状 | 第12-13页 |
| ·支持向量机的应用研究现状 | 第13页 |
| ·论文的研究内容及安排 | 第13-15页 |
| 第二章 软测量建模与支持向量机 | 第15-21页 |
| ·引言 | 第15页 |
| ·软测量模型 | 第15-17页 |
| ·影响软测量性能的因素—辅助变量的选择 | 第15-16页 |
| ·软测量建模方法 | 第16-17页 |
| ·支持向量机 | 第17-20页 |
| ·支持向量机的提出 | 第17页 |
| ·支持向量机算法 | 第17-19页 |
| ·支持向量机的训练算法 | 第19-20页 |
| ·支持向量机的特性 | 第20页 |
| ·本章小结 | 第20-21页 |
| 第三章 基于网格搜索法的支持向量机参数选择 | 第21-26页 |
| ·引言 | 第21页 |
| ·核函数的种类 | 第21-22页 |
| ·RBF 核中的惩罚系数 C 和核函数γ对训练精度和泛化性能的影响 | 第22页 |
| ·改进的网格搜索算法 | 第22-23页 |
| ·仿真实验 | 第23-25页 |
| ·工艺分析 | 第23页 |
| ·双酚 A 估计模型的建立 | 第23-25页 |
| ·小结 | 第25-26页 |
| 第四章 基于K 近邻方法的支持向量机多模型建模 | 第26-31页 |
| ·引言 | 第26页 |
| ·贝叶斯方法 | 第26-27页 |
| ·支持向量机多模型的组合方法 | 第27-28页 |
| ·K 近邻方法 | 第28-29页 |
| ·包围盒划分 | 第28-29页 |
| ·改进 K 近邻算法描述 | 第29页 |
| ·仿真实验 | 第29-30页 |
| ·本章小结 | 第30-31页 |
| 第五章 基于改进模糊C 均值聚类算法的支持向量机多模型 | 第31-35页 |
| ·引言 | 第31页 |
| ·模糊聚类理论 | 第31-32页 |
| ·隶属度改进的FCM 聚类算法 | 第32-33页 |
| ·K 近邻算法和支持向量机多模型组合方式 | 第33页 |
| ·仿真实验 | 第33-34页 |
| ·本章小结 | 第34-35页 |
| 总结与展望 | 第35-37页 |
| ·本文工作总结 | 第35页 |
| ·今后工作展望 | 第35-37页 |
| 致谢 | 第37-38页 |
| 参考文献 | 第38-44页 |
| 附录：作者在攻读硕士学位期间发表的论文 | 第44页 |