| 摘要 | 第1-5页 |
| Abstract | 第5-10页 |
| 第一章 绪论 | 第10-18页 |
| ·选题的依据和研究意义 | 第10-11页 |
| ·选题依据 | 第10页 |
| ·研究意义 | 第10-11页 |
| ·国内外研究现状 | 第11-16页 |
| ·神经网络的研究现状 | 第11-14页 |
| ·支持向量机的研究现状 | 第14-16页 |
| ·论文的研究内容 | 第16-17页 |
| ·论文的结构 | 第17-18页 |
| 第二章 RBF 神经网络及其主要学习算法 | 第18-32页 |
| ·径向基神经网络（RBFN）的兴起 | 第18页 |
| ·RBF 神经网络的分类 | 第18-21页 |
| ·正规化网络 | 第18-19页 |
| ·广义网络 | 第19-21页 |
| ·RBF 神经网络学习算法 | 第21-28页 |
| ·梯度下降法 | 第21-23页 |
| ·基于k-均值聚类的RBF 学习算法 | 第23-24页 |
| ·基于动态均值聚类的RBF 学习算法 | 第24-26页 |
| ·基于正交最小二乘（OLS）法的RBF 学习算法 | 第26-28页 |
| ·基于k-均值聚类的RBF 神经网络学习算法步骤 | 第28-30页 |
| ·RBF 网络与多层感知器的比较 | 第30-32页 |
| 第三章 支持向量机及其学习算法 | 第32-46页 |
| ·支持向量机基本理论 | 第32-39页 |
| ·统计学习理论的核心问题 | 第32-33页 |
| ·最优超平面 | 第33-36页 |
| ·核函数 | 第36-37页 |
| ·支持向量机 | 第37-39页 |
| ·支持向量回归 | 第39-41页 |
| ·最小二乘支持向量机（LS-SVM）的基本原理 | 第41-46页 |
| ·基于最小二乘支持向量机的分类算法 | 第41-43页 |
| ·基于最小二乘支持向量机的回归算法 | 第43-45页 |
| ·最小二乘支持向量机框架下分类与回归的等价性 | 第45-46页 |
| 第四章 基于空间邻接关系的RBF 网络和LS-SVR 建模方法 | 第46-55页 |
| ·空间权重矩阵和性能指标 | 第46-48页 |
| ·空间权重矩阵的确定 | 第46-47页 |
| ·性能指标 | 第47-48页 |
| ·基于空间邻接关系的RBF 建模方法 | 第48-50页 |
| ·在输入层融合空间信息 | 第48-49页 |
| ·在隐含层融合空间信息 | 第49-50页 |
| ·在输出层融合空间信息 | 第50页 |
| ·基于空间邻接关系的LS-SVR 建模方法 | 第50-55页 |
| ·在输入变量中融合空间信息 | 第51页 |
| ·改变目标函数的建模方法 | 第51-54页 |
| ·在输出值时融合空间信息 | 第54-55页 |
| 第五章 建模方法的实现与应用分析 | 第55-76页 |
| ·建模方法的实现 | 第55-62页 |
| ·建模算法的流程图 | 第55-57页 |
| ·VC 与MATLAB 混合编程 | 第57-59页 |
| ·系统模块界面设计 | 第59-62页 |
| ·模型的应用分析 | 第62-76页 |
| ·实验数据来源 | 第62-64页 |
| ·模型参数的选择 | 第64-65页 |
| ·RBF 网络建模实例及分析 | 第65-69页 |
| ·LS-SVR 实例建模及分析 | 第69-73页 |
| ·RBF 网络与LS-SVR 预测效果对比 | 第73-76页 |
| 结论 | 第76-78页 |
| 参考文献 | 第78-84页 |
| 附录 | 第84-95页 |
| 攻读硕士学位期间取得的学术成果 | 第95-96页 |
| 致谢 | 第96页 |