粒子群优化算法及支持向量机应用研究
| 摘要 | 第1-4页 |
| ABSTRACT | 第4-9页 |
| 1 绪论 | 第9-13页 |
| ·研究的背景 | 第9页 |
| ·PSO和SVM的研究概况 | 第9-11页 |
| ·PSO研究研究现状 | 第9-11页 |
| ·SVM的研究现状 | 第11页 |
| ·本文的主要工作 | 第11-13页 |
| 2 带有复形法局部搜索的粒子群算法 | 第13-22页 |
| ·引言 | 第13页 |
| ·PCB数控钻最佳走刀路线问题 | 第13-14页 |
| ·复形法和粒子群算法 | 第14-16页 |
| ·复形法 | 第14-15页 |
| ·粒子群优化算法 | 第15-16页 |
| ·带有复形法局部搜索的粒子群算法 | 第16页 |
| ·算法的性能测试 | 第16-18页 |
| ·带有复形法局部搜索的粒子群求解TSP问题 | 第18-19页 |
| ·解序列的几种运算 | 第18页 |
| ·算法求解旅行商问题的性能测试与分析 | 第18-19页 |
| ·印刷电路板数控钻的优化 | 第19-21页 |
| ·本章小结 | 第21-22页 |
| 3 粒子群优化算法在函数均值求解中的应用研究 | 第22-27页 |
| ·引言 | 第22页 |
| ·函数均值 | 第22页 |
| ·粒子群算法求解函数的函数值均值 | 第22-26页 |
| ·算法的流程 | 第23页 |
| ·算法的性能测试 | 第23-25页 |
| ·算法的时间与性能分析 | 第25页 |
| ·粒子群算法求解函数的函数值均值的应用 | 第25-26页 |
| ·本章小结 | 第26-27页 |
| 4 基于混合核函数的SVM在心脏病诊断中的应用 | 第27-35页 |
| ·引言 | 第27页 |
| ·支持向量分类机 | 第27-31页 |
| ·最优分离超平面和最大间隔原则 | 第27-29页 |
| ·线性支持向量机 | 第29-30页 |
| ·非线性支持向量机 | 第30-31页 |
| ·核函数 | 第31-32页 |
| ·核函数的性质 | 第31页 |
| ·常用的核函数 | 第31页 |
| ·混合核函数 | 第31-32页 |
| ·SVM的体系结构和学习算法 | 第32-33页 |
| ·SVM的体系结构 | 第32页 |
| ·SVM的学习算法 | 第32-33页 |
| ·数值实验 | 第33-34页 |
| ·实验环境 | 第33页 |
| ·实验数据 | 第33页 |
| ·实验步骤 | 第33-34页 |
| ·PSO算法优化SVM参数算法流程图 | 第34页 |
| ·实验结果和分析 | 第34页 |
| ·本章小结 | 第34-35页 |
| 5 基于支持向量机的上证指数预测 | 第35-42页 |
| ·引言 | 第35页 |
| ·?一支持向量回归 | 第35-39页 |
| ·? 不敏感损失函数 | 第35-36页 |
| ·线性回归 | 第36-38页 |
| ·非线性回归 | 第38-39页 |
| ·上证指数预测研究 | 第39-41页 |
| ·实验设定 | 第39页 |
| ·实验步骤 | 第39页 |
| ·实验结果和分析 | 第39-41页 |
| ·本章小结 | 第41-42页 |
| 6 总结与展望 | 第42-43页 |
| ·总结 | 第42页 |
| ·研究展望 | 第42-43页 |
| 参考文献 | 第43-47页 |
| 致谢 | 第47-48页 |
| 攻读学位期间发表的学术论文目录 | 第48页 |
