小样本工程造价数据的智能学习方法及其在输变电工程中的应用研究
| 中文摘要 | 第1-5页 |
| 英文摘要 | 第5-10页 |
| 1 绪论 | 第10-22页 |
| ·选题背景及意义 | 第10-14页 |
| ·论文选题背景 | 第10-12页 |
| ·论文研究意义 | 第12-14页 |
| ·小样本学习的研究现状 | 第14-16页 |
| ·小样本学习问题的提出 | 第14-15页 |
| ·支持向量机的研究现状 | 第15-16页 |
| ·国内外工程造价估算研究现状 | 第16-20页 |
| ·国外工程造价估算研究现状 | 第16-18页 |
| ·国内工程造价估算研究现状 | 第18-20页 |
| ·论文研究目标、研究内容与研究思路 | 第20-22页 |
| 2 数据预处理技术研究 | 第22-38页 |
| ·数据预处理 | 第22-28页 |
| ·数据清洗 | 第23-24页 |
| ·数据转换 | 第24-25页 |
| ·数据约简 | 第25-28页 |
| ·数据预处理方法的仿真分析 | 第28-37页 |
| ·工程造价的基础知识 | 第28-29页 |
| ·输电工程造价数据的预处理 | 第29-36页 |
| ·仿真分析 | 第36-37页 |
| ·本章小结 | 第37-38页 |
| 3 自适应多种群粒子群改进算法 | 第38-54页 |
| ·粒子群算法概述 | 第38-39页 |
| ·自适应多种群粒子群改进算法 | 第39-52页 |
| ·多峰函数优化问题的提出 | 第39-40页 |
| ·自适应多种群粒子群优化改进算法 | 第40-47页 |
| ·自适应多种群粒子群优化算法的测试与应用 | 第47-52页 |
| ·本章小结 | 第52-54页 |
| 4 小样本数据的聚类技术研究 | 第54-70页 |
| ·数据聚类技术 | 第54-58页 |
| ·聚类原理 | 第54-55页 |
| ·常用聚类算法的优缺点分析 | 第55-58页 |
| ·两阶段模糊聚类改进算法 | 第58-64页 |
| ·改进算法思想 | 第58-61页 |
| ·两阶段聚类改进算法模型 | 第61-64页 |
| ·两阶段模糊聚类改进算法的应用 | 第64-68页 |
| ·本章小结 | 第68-70页 |
| 5 参数优化的支持向量机智能学习改进算法 | 第70-92页 |
| ·支持向量机概述 | 第70-72页 |
| ·核函数参数优化算法 | 第72-79页 |
| ·参数优化的必要性 | 第72-73页 |
| ·基于遗传算法的核函数参数优化 | 第73-77页 |
| ·基于SAMPSO 的参数优化 | 第77-79页 |
| ·基于KPCA 和SAMPSO 的特征抽取 | 第79-84页 |
| ·基于SAMPSO 的核主元分析 | 第79-82页 |
| ·特征抽取方法的仿真实现 | 第82-84页 |
| ·参数优化算法的支持向量机智能学习改进算法 | 第84-89页 |
| ·改进算法设计 | 第84-86页 |
| ·改进算法的仿真分析 | 第86-89页 |
| ·本章小结 | 第89-92页 |
| 6 基于 POSVMA 的工程造价估算 | 第92-112页 |
| ·基于小样本历史数据的工程造价估算 | 第92-94页 |
| ·工程造价估算方法在输电工程中的应用 | 第94-100页 |
| ·数据预处理 | 第94-98页 |
| ·数据分类 | 第98-99页 |
| ·工程分类学习以及造价估算结果分析 | 第99-100页 |
| ·工程造价估算方法在变电工程中的应用 | 第100-110页 |
| ·数据预处理 | 第101-105页 |
| ·工程分类 | 第105-106页 |
| ·工程分类学习以及造价估算结果分析 | 第106-110页 |
| ·本章小结 | 第110-112页 |
| 7 结论与展望 | 第112-116页 |
| ·结论 | 第112-114页 |
| ·展望 | 第114-116页 |
| 致谢 | 第116-118页 |
| 参考文献 | 第118-126页 |
| 附录 | 第126-127页 |
| A 攻读博士学位期间发表（录用）的论文及专著 | 第126-127页 |
| B 攻读博士学位期间参加的科研项目 | 第127页 |
