| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 数学符号与英文缩写说明 | 第10-11页 |
| 第1章 绪论 | 第11-17页 |
| ·研究背景 | 第11-13页 |
| ·基于核的偏最小二乘回归研究背景 | 第11页 |
| ·模糊支撑向量机的研究背景 | 第11-13页 |
| ·基于KPLS—FWLS—SVM回归方法的基本原理 | 第13-14页 |
| ·KPLS的原理 | 第13-14页 |
| ·KPLS—FWLS—SVM的原理 | 第14页 |
| ·PLS和SVM回归方法的研究现状 | 第14-16页 |
| ·PLS回归分析的研究现状 | 第14-15页 |
| ·基于SVM和模糊理论的回归分析研究现状 | 第15-16页 |
| ·本文的结构 | 第16-17页 |
| 第2章 模糊线性回归模型 | 第17-21页 |
| ·模糊数及其基本概念 | 第17-18页 |
| ·模糊数空间的距离 | 第18页 |
| ·模糊多元线性回归模型 | 第18-21页 |
| ·模糊系数下的线性回归模型 | 第19-20页 |
| ·模糊解释变量下的线性回归模型 | 第20-21页 |
| 第3章 SVM | 第21-27页 |
| ·小样本统计学习理论 | 第21-23页 |
| ·SVM | 第23-26页 |
| ·线性可分情况 | 第24-25页 |
| ·线性不可分情况 | 第25-26页 |
| ·核函数 | 第26-27页 |
| 第4章 支撑向量回归模型 | 第27-37页 |
| ·标准SVR模型 | 第27-28页 |
| ·单参数SVR模型 | 第28-29页 |
| ·加权稳健SVR模型 | 第29-30页 |
| ·LS—SVR模型 | 第30-31页 |
| ·基于模糊数的SVR模型 | 第31-37页 |
| ·基于模糊数的线性支撑向量回归模型 | 第31-35页 |
| ·基于模糊数的非线性支撑向量回归模型 | 第35-37页 |
| 第5章 基于KPLS特征提取下的FWLS—SVM回归方法 | 第37-51页 |
| ·偏最小二乘回归的线性模型 | 第37-39页 |
| ·方法思想 | 第37-38页 |
| ·方法步骤 | 第38-39页 |
| ·参数向量的性质 | 第39页 |
| ·偏最小二乘模糊回归的非线性模型 | 第39-40页 |
| ·基于核的偏最小二乘算法 | 第40-41页 |
| ·模糊加权最小二乘支撑量回归 | 第41-43页 |
| ·基于综合因素的模糊隶属度的确定 | 第43-46页 |
| ·基于样本与类中心之间距离的隶属度函数 | 第43-45页 |
| ·基于灰色关联度的隶属度函数 | 第45-46页 |
| ·基于综合因素的模糊隶属度的确定 | 第46页 |
| ·样本为非模糊数下的算法 | 第46-47页 |
| ·样本为模糊数下的算法 | 第47-51页 |
| 第6章 结论与展望 | 第51-53页 |
| 参考文献 | 第53-57页 |
| 致谢 | 第57-59页 |
| 攻读学位期间发表的论文 | 第59页 |