基于支持向量回归的自适应跟踪控制系统设计
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1. 绪论 | 第8-13页 |
| 1.1 课题的研究背景和意义 | 第8-9页 |
| 1.2 课题的国内外研究现状 | 第9-11页 |
| 1.3 论文主要研究内容 | 第11-13页 |
| 2. 支持向量回归算法基础 | 第13-24页 |
| 2.1 统计学习理论 | 第13-14页 |
| 2.2 支持向量机分类 | 第14-18页 |
| 2.2.1 问题描述 | 第14-15页 |
| 2.2.2 线性可分支持向量机 | 第15-18页 |
| 2.2.3 非线性支持向量机 | 第18页 |
| 2.3 核函数 | 第18-19页 |
| 2.4 支持向量回归 | 第19-23页 |
| 2.4.1 线性支持向量回归 | 第20-22页 |
| 2.4.2 非线性支持向量回归 | 第22-23页 |
| 2.5 本章小结 | 第23-24页 |
| 3. 网络化制冷系统的自适应输出跟踪控制 | 第24-34页 |
| 3.1 网络化制冷系统平台 | 第24-27页 |
| 3.1.1 珀尔帖制冷装置 | 第24-25页 |
| 3.1.2 信号的采集及输出 | 第25-26页 |
| 3.1.3 网络通信 | 第26-27页 |
| 3.2 网络化制冷系统建模 | 第27-29页 |
| 3.3 网络化制冷系统的自适应控制设计 | 第29-31页 |
| 3.4 仿真结果 | 第31-32页 |
| 3.5 本章小结 | 第32-34页 |
| 4. 基于SVR的在线自适应跟踪控制 | 第34-51页 |
| 4.1 基于支持向量回归的辨识算法 | 第34-39页 |
| 4.1.1 LIBSVM工具箱 | 第34-36页 |
| 4.1.2 回归算法及数据筛选 | 第36-38页 |
| 4.1.3 回归模型建立 | 第38-39页 |
| 4.2 基于SVR的系统模型参数辨识 | 第39-46页 |
| 4.2.1 变量选取及数据归一化 | 第39-42页 |
| 4.2.2 参数优化 | 第42-44页 |
| 4.2.3 回归预测 | 第44-46页 |
| 4.3 基于SVR的自适应控制 | 第46-48页 |
| 4.4 仿真结果 | 第48-50页 |
| 4.5 本章小结 | 第50-51页 |
| 5. 总结与展望 | 第51-52页 |
| 参考文献 | 第52-55页 |
| 附录：硕士研究生学习阶段发表论文 | 第55-56页 |
| 致谢 | 第56页 |
