支持向量回归机代理模型设计优化及应用研究
| 摘要 | 第1-7页 |
| ABSTRACT | 第7-12页 |
| 第一章 绪论 | 第12-23页 |
| ·课题研究背景 | 第12-13页 |
| ·代理模型技术国内外研究现状及发展趋势 | 第13-18页 |
| ·代理模型逼近 | 第14-16页 |
| ·代理模型取样策略 | 第16-17页 |
| ·代理模型设计空间探索 | 第17页 |
| ·代理模型存在的问题与发展趋势 | 第17-18页 |
| ·支持向量机发展现状 | 第18-21页 |
| ·支持向量机的基础研究 | 第19-20页 |
| ·支持向量回归机代理模型的应用研究 | 第20-21页 |
| ·论文研究内容 | 第21-23页 |
| 第二章 支持向量回归机代理模型技术 | 第23-51页 |
| ·常用代理模型 | 第23-29页 |
| ·响应面模型 | 第23-24页 |
| ·径向基函数 | 第24-25页 |
| ·神经网络模型 | 第25-26页 |
| ·Kriging 模型 | 第26-27页 |
| ·代理模型精度评估 | 第27-29页 |
| ·支持向量回归机理论基础 | 第29-38页 |
| ·统计学习理论 | 第29-34页 |
| ·支持向量回归机 | 第34-38页 |
| ·试验设计 | 第38-42页 |
| ·全因子试验设计 | 第39-40页 |
| ·拉丁超立方试验设计 | 第40页 |
| ·正交试验设计 | 第40-41页 |
| ·均匀试验设计 | 第41-42页 |
| ·支持向量回归机仿真研究 | 第42-49页 |
| ·非线性函数回归 | 第42-44页 |
| ·平板天线辐射缝单元预测模型 | 第44-49页 |
| ·本章小结 | 第49-51页 |
| 第三章 基于支持向量回归机代理模型的优化 | 第51-71页 |
| ·多目标优化 | 第51-58页 |
| ·多目标优化简介 | 第51-52页 |
| ·多目标优化算法 | 第52-58页 |
| ·基于代理模型和遗传算法的优化 | 第58-64页 |
| ·基于SVR 代理模型和遗传算法的优化方法流程 | 第58-60页 |
| ·实例 | 第60-64页 |
| ·基于SVR 代理模型和粒子群算法的优化 | 第64-66页 |
| ·SVR 代理模型和粒子群算法的优化方法流程 | 第64页 |
| ·实例 | 第64-66页 |
| ·基于SVR-NSGAII 的优化 | 第66-70页 |
| ·NSGA-II 性能测试 | 第66-67页 |
| ·SVR-NSGAII 算法流程 | 第67-68页 |
| ·实例 | 第68-70页 |
| ·本章小节 | 第70-71页 |
| 第四章 基于支持向量回归机代理模型的稳健优化 | 第71-92页 |
| ·稳健优化方法 | 第71-76页 |
| ·稳健设计基本原理 | 第72-74页 |
| ·多目标稳健优化数学模型 | 第74-76页 |
| ·基于支持向量回归机代理模型的稳健优化 | 第76-78页 |
| ·基于代理模型的稳健优化数学模型 | 第76-77页 |
| ·基于支持向量回归机的稳健优化流程 | 第77-78页 |
| ·工程实例 | 第78-90页 |
| ·问题描述 | 第78-81页 |
| ·SVR 代理模型构建 | 第81-89页 |
| ·优化求解 | 第89-90页 |
| ·本章小结 | 第90-92页 |
| 第五章 基于支持向量回归机代理模型的多学科优化 | 第92-105页 |
| ·多学科设计优化 | 第92-99页 |
| ·多学科设计优化模型 | 第92-94页 |
| ·多学科设计优化方法 | 第94-99页 |
| ·基于支持向量回归机代理模型的多学科协同优化方法 | 第99-104页 |
| ·算法模型 | 第99-100页 |
| ·算法流程 | 第100-101页 |
| ·算例 | 第101-104页 |
| ·本章小结 | 第104-105页 |
| 第六章 总结与展望 | 第105-109页 |
| ·全文总结 | 第105-106页 |
| ·工作展望 | 第106-109页 |
| 致谢 | 第109-110页 |
| 参考文献 | 第110-120页 |
| 攻博期间取得的研究成果 | 第120-122页 |
