| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 1 绪论 | 第9-19页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 复共线性研究综述 | 第10-12页 |
| 1.3 MTS研究综述 | 第12-16页 |
| 1.3.1 MTS理论研究与发展 | 第12-13页 |
| 1.3.2 MTS应用研究 | 第13-15页 |
| 1.3.3 已有研究和贡献的不足 | 第15-16页 |
| 1.4 本文的研究内容和技术路线 | 第16-17页 |
| 1.5 论文结构安排 | 第17-19页 |
| 2 相关理论及方法的概述 | 第19-36页 |
| 2.1 复共线性理论介绍 | 第19-26页 |
| 2.1.1 复共线性的概念 | 第19-20页 |
| 2.1.2 复共线性的危害 | 第20-21页 |
| 2.1.3 复共线性的诊断 | 第21-24页 |
| 2.1.4 复共线性的克服 | 第24-25页 |
| 2.1.5 复共线性小结 | 第25-26页 |
| 2.2 岭估计 | 第26-29页 |
| 2.2.1 岭估计的定义 | 第26-27页 |
| 2.2.2 岭参数的确定 | 第27-29页 |
| 2.3 马田系统 | 第29-35页 |
| 2.3.1 马氏距离 | 第30-31页 |
| 2.3.2 正交表和信噪比 | 第31-33页 |
| 2.3.3 系统阈值 | 第33页 |
| 2.3.4 应用经典马田系统的四个步骤 | 第33-35页 |
| 2.4 本章小结 | 第35-36页 |
| 3 基于岭估计的岭马氏距离的构建 | 第36-49页 |
| 3.1 复共线性对马氏距离的影响 | 第36-42页 |
| 3.2 克服复共线性的改进马氏距离 | 第42-44页 |
| 3.2.1 基于施密特正交化的马氏距离 | 第42-43页 |
| 3.2.2 基于伴随矩阵的马氏距离 | 第43页 |
| 3.2.3 基于M-P广义逆矩阵的马氏距离 | 第43-44页 |
| 3.3 岭马氏距离的构建 | 第44-46页 |
| 3.4 岭参数的确定 | 第46-49页 |
| 4 基于多目标自适应遗传算法和模糊阈值的改进马田系统 | 第49-63页 |
| 4.1 复共线性对变量筛选的影响 | 第49-51页 |
| 4.2 MTS二分类变量筛选优化模型 | 第51-54页 |
| 4.2.1 MTS变量筛选优化目标 | 第51-53页 |
| 4.2.2 多目标变量筛选优化模型 | 第53-54页 |
| 4.3 基于自适应多目标遗传算法的模型求解 | 第54-57页 |
| 4.4 基于模糊隶属度的模糊阈值构建 | 第57-61页 |
| 4.5 基于AMOGA和模糊阈值的改进MTS实现步骤 | 第61-63页 |
| 5 基于RMD和AMOGA的改进MTS应用与分析 | 第63-74页 |
| 5.1 改进MTS在宇宙射线识别中的应用 | 第63-70页 |
| 5.1.1 构造基准空间 | 第63-64页 |
| 5.1.2 验证基准空间有效性 | 第64-66页 |
| 5.1.3 变量筛选 | 第66-69页 |
| 5.1.4 确定阈值并进行判别 | 第69-70页 |
| 5.2 不同复共线性结构数据的改进马田系统应用分析 | 第70-73页 |
| 5.3 本章小结 | 第73-74页 |
| 6 总结与展望 | 第74-76页 |
| 6.1 总结 | 第74页 |
| 6.2 不足与展望 | 第74-76页 |
| 致谢 | 第76-77页 |
| 参考文献 | 第77-83页 |
| 附录 | 第83页 |
