基于支持向量机的红外光谱子结构解析
| 中文摘要 | 第1-7页 |
| 英文摘要 | 第7-9页 |
| 1 前言 | 第9-15页 |
| ·红外光谱简介 | 第9-10页 |
| ·红外光谱的应用 | 第10-12页 |
| ·定性分析 | 第10-11页 |
| ·定量分析 | 第11-12页 |
| ·计算机辅助红外光谱解析 | 第12-15页 |
| 2 支持向量机 | 第15-24页 |
| ·线性支持向量机 | 第16-20页 |
| ·线性可分 | 第16-18页 |
| ·线性不可分 | 第18-20页 |
| ·非线性支持向量机 | 第20-22页 |
| ·支持向量机回归 | 第22-24页 |
| 3 神经网络 | 第24-30页 |
| ·误差反向传播神经网络 | 第25-28页 |
| ·BP 算法的基本原理 | 第26-28页 |
| ·BP 学习算法的优化 | 第28页 |
| ·径向基函数网络 | 第28-30页 |
| 4 支持向量机用于解析红外光谱子结构 | 第30-42页 |
| ·数据处理以及软硬件设备 | 第30页 |
| ·数据处理 | 第30页 |
| ·软硬件设备 | 第30页 |
| ·支持向量机在红外光谱解析方面的应用 | 第30-38页 |
| ·支持向量机的训练 | 第30-31页 |
| ·支持向量机识别输出数据的统计指标 | 第31-32页 |
| ·输入节点数对预测结果的影响 | 第32-33页 |
| ·支持向量机对子结构的预测结果 | 第33-36页 |
| ·神经网络对子结构的预测结果 | 第36-38页 |
| ·讨论 | 第38-40页 |
| ·支持向量机和神经网络预测结果的比较 | 第38-39页 |
| ·预测能力与特征波段之间的关系 | 第39页 |
| ·训练结果与样本数目的关系 | 第39-40页 |
| ·支持向量机的优势 | 第40页 |
| ·结论 | 第40-41页 |
| ·展望 | 第41-42页 |
| 5 支持向量机回归用于炭黑工艺建模 | 第42-49页 |
| ·炭黑及炭黑生产工艺简介 | 第42-43页 |
| ·炭黑 | 第42页 |
| ·炭黑生产工艺 | 第42-43页 |
| ·炭黑工艺建模的实际意义及必要性 | 第43-44页 |
| ·数据处理以及软硬件设备 | 第44页 |
| ·数据来源及预处理 | 第44页 |
| ·软硬件设备 | 第44页 |
| ·支持向量机方法在炭黑工艺建模中的应用 | 第44-48页 |
| ·支持向量机用于炭黑工艺建模 | 第44-46页 |
| ·神经网络用于炭黑工艺建模 | 第46-47页 |
| ·支持向量机和神经网络预测结果的比较 | 第47-48页 |
| ·结论 | 第48-49页 |
| 6 参考文献 | 第49-56页 |
| 7 硕士期间发表论文情况 | 第56-57页 |
| 8 致谢 | 第57-59页 |
| 9 声明 | 第59页 |
