| 摘要 | 第1-4页 |
| Abstract | 第4-6页 |
| 目录 | 第6-8页 |
| 图目录 | 第8-9页 |
| 表目录 | 第9-10页 |
| 第1章 绪论 | 第10-16页 |
| ·课题研究背景及意义 | 第10-11页 |
| ·国内外研究现状 | 第11-13页 |
| ·国内外粮食预测模型研究现状 | 第11-13页 |
| ·国内外支持向量机研究现状 | 第13页 |
| ·研究内容及组织结构 | 第13-16页 |
| ·研究内容 | 第13-14页 |
| ·组织结构 | 第14-16页 |
| 第2章 统计学习理论与支持向量机的研究 | 第16-34页 |
| ·统计学习理论 | 第16-19页 |
| ·经验风险最小化 | 第16-17页 |
| ·VC 维 | 第17-18页 |
| ·推广能力的界 | 第18页 |
| ·结构风险最小化 | 第18-19页 |
| ·支持向量机原理 | 第19-24页 |
| ·支持向量机回归 | 第20-21页 |
| ·支持向量机算法 | 第21-23页 |
| ·支持向量机参数及作用 | 第23-24页 |
| ·支持向量机的损失函数及选择 | 第24-27页 |
| ·损失函数模型 | 第24-25页 |
| ·损失函数的选择 | 第25-27页 |
| ·核函数理论 | 第27-31页 |
| ·特征空间及 Mercer 定理 | 第27-29页 |
| ·核函数理论及本质 | 第29-30页 |
| ·常用的核函数 | 第30-31页 |
| ·SVM 在粮食产量预测中的应用 | 第31-32页 |
| ·本章小结 | 第32-34页 |
| 第3章 基于贝叶斯的支持向量回归机参数优化算法 | 第34-46页 |
| ·贝叶斯理论及证据框架 | 第34-39页 |
| ·贝叶斯基本理论 | 第34-35页 |
| ·贝叶斯证据框架 | 第35-39页 |
| ·混合核函数的选择 | 第39-41页 |
| ·贝叶斯证据框架下的支持向量回归机 | 第41-44页 |
| ·支持向量机参数优化的方法 | 第41-42页 |
| ·一种新的支持向量回归机的构造 | 第42-44页 |
| ·本章小结 | 第44-46页 |
| 第4章 改进的支持向量回归机在粮食产量预测上的应用 | 第46-58页 |
| ·数据来源 | 第46页 |
| ·实验环境 | 第46-47页 |
| ·正则化参数 C 实验分析 | 第47-48页 |
| ·不同 SVM 预测模型在粮食产量预测中应用及比较 | 第48-56页 |
| ·标准 SVM 模型仿真试验 | 第48-50页 |
| ·基于混合核函数的实验分析 | 第50-54页 |
| ·建模步骤及预测结果 | 第54-55页 |
| ·两种 SVM 预测模型的比较 | 第55-56页 |
| ·本章小结 | 第56-58页 |
| 第5章 总结与展望 | 第58-60页 |
| ·本文总结 | 第58-59页 |
| ·未来的研究工作 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 致谢 | 第64-66页 |
| 攻读硕士学位期间论文与科研情况 | 第66页 |