中文摘要 | 第1-3页 |
ABSTRACT | 第3-12页 |
第一章 绪论 | 第12-32页 |
·研究背景与意义 | 第12-14页 |
·问题提出 | 第14-15页 |
·研究现状综述 | 第15-25页 |
·存在问题 | 第25-26页 |
·研究目的与研究方法 | 第26-28页 |
·研究内容与技术路线 | 第28-30页 |
·研究的创新点 | 第30-31页 |
·本文的组织结构 | 第31-32页 |
第二章 统计学习理论与支持向量机 | 第32-51页 |
·机器学习的基本模型及描述 | 第32-33页 |
·统计学习理论的核心思想 | 第33-38页 |
·经验风险最小化原则 | 第33-34页 |
·学习过程的一致性 | 第34-35页 |
·函数集的学习性能和推广性的界 | 第35-36页 |
·结构风险最小化原则 | 第36-38页 |
·支持向量机 | 第38-50页 |
·用于分类的支持向量机 | 第38-42页 |
·用于回归的支持向量机 | 第42-46页 |
·支持向量机的稀疏性 | 第46页 |
·ε管道模型 | 第46-47页 |
·支持向量机参数的选择 | 第47-50页 |
·本章小结 | 第50-51页 |
第三章 基于SVR的复杂过程RSM的模型拟合方法 | 第51-87页 |
·算例说明 | 第51-52页 |
·经典RSM应用于复杂过程的局限性 | 第52-63页 |
·经典RSM拟合与优化结果 | 第52-59页 |
·经典RSM的局限性分析 | 第59-63页 |
·基于SVR的复杂过程拟合方法 | 第63-73页 |
·复杂过程RSM的模型拟合的机器学习描述及其特点 | 第63页 |
·适用于RSM的SVR核函数及参数的选取方法 | 第63-73页 |
·基于SVR的复杂过程RSM的模型拟合方法描述 | 第73页 |
·算例研究 | 第73-82页 |
·基于SVR的拟合结果 | 第74-78页 |
·基于KFR的拟合结果 | 第78-80页 |
·基于ANN的拟合结果 | 第80-82页 |
·结果讨论与结论 | 第82-86页 |
·各类方法泛化性能与曲面重现能力的比较 | 第82-83页 |
·过程误差和样本量对SVR核函数及其参数选择的影响 | 第83-85页 |
·SVR对于过程误差分布为非正态对称形式的适用性 | 第85页 |
·SVR拟合方程的特点 | 第85-86页 |
·本章小结 | 第86-87页 |
第四章 基于SVR的复杂过程RSM的过程优化方法 | 第87-104页 |
·基于SVR的复杂过程RSM过程优化的本质 | 第87-88页 |
·基于SVR的复杂过程优化方法分析 | 第88-90页 |
·基于SV聚类的并行SQP优化算法 | 第90-94页 |
·理论基础 | 第90-93页 |
·方法描述 | 第93-94页 |
·算例研究 | 第94-100页 |
·算例3-1 的优化结果 | 第94-96页 |
·算例4-1 及优化结果 | 第96-100页 |
·结果讨论与结论 | 第100-103页 |
·算法对于过程实际极值的表现能力 | 第100页 |
·聚类阶段的连接方式与相似性水平的选择 | 第100-101页 |
·SVR拟合方程的泛化能力对优化的影响 | 第101-102页 |
·SVR对过程的表现能力进一步讨论 | 第102-103页 |
·本章小结 | 第103-104页 |
第五章 基于SVR的复杂过程RSM的实验设计方法 | 第104-118页 |
·基于SVR的复杂过程设计方法的基本特点 | 第104-105页 |
·现有非参数RSM设计方法及其局限性 | 第105-107页 |
·对基于SVR的复杂过程设计方法的再认识 | 第107-108页 |
·基于先验知识的调整间距空间网格设计方法 | 第108-114页 |
·方法描述 | 第109-112页 |
·算例研究 | 第112-113页 |
·结果讨论与结论 | 第113-114页 |
·基于序贯性设计的SFOD方法 | 第114-117页 |
·方法描述 | 第114-115页 |
·算例研究 | 第115-116页 |
·结果讨论与结论 | 第116-117页 |
·本章小结 | 第117-118页 |
第六章 基于SVR的复杂过程RSM的应用研究 | 第118-137页 |
·基于SVR的复杂过程RSM总体描述 | 第118-121页 |
·一般性问题:降低吡啶二乙基硼烷合成反应的综合成本 | 第121-126页 |
·背景描述 | 第121页 |
·实验安排 | 第121-123页 |
·实验结果 | 第123-126页 |
·结果分析与讨论 | 第126页 |
·稳健性设计问题:提高叶片弹簧热处理工艺的稳健性 | 第126-135页 |
·背景描述 | 第126-127页 |
·基于SVR的DRSM模型 | 第127-129页 |
·实验安排 | 第129-130页 |
·实验结果 | 第130-135页 |
·结果分析与讨论 | 第135页 |
·本章小结 | 第135-137页 |
第七章 总结与展望 | 第137-139页 |
参考文献 | 第139-149页 |
发表论文和科研情况说明 | 第149-151页 |
致谢 | 第151页 |