| 摘要 | 第1-5页 |
| ABSTRACT | 第5-9页 |
| 第一章 绪论 | 第9-16页 |
| ·研究背景及意义 | 第9-10页 |
| ·国内外的研究现状 | 第10-13页 |
| ·支持向量机的工业应用现状 | 第13-14页 |
| ·本文的主要内容和结构 | 第14-16页 |
| 第二章 统计学习理论和支持向量机 | 第16-25页 |
| ·机器学习理论 | 第16-17页 |
| ·学习问题的表示 | 第16-17页 |
| ·经验风险最小化原则 | 第17页 |
| ·统计学习理论 | 第17-21页 |
| ·VC维 | 第18-19页 |
| ·推广性的界 | 第19-20页 |
| ·结构风险最小化原则 | 第20-21页 |
| ·支持向量机理论 | 第21-24页 |
| ·最优分类超平面 | 第21-23页 |
| ·核函数 | 第23-24页 |
| ·支持向量机的参数 | 第24页 |
| ·本章小结 | 第24-25页 |
| 第三章 改进的SVM约简算法 | 第25-43页 |
| ·引言 | 第25页 |
| ·支持向量机约简算法概述 | 第25-27页 |
| ·两步筛选支持向量算法 | 第27-37页 |
| ·样本空间的划分 | 第27-28页 |
| ·计算样本块的密度 | 第28-29页 |
| ·样本块的提取 | 第29-32页 |
| ·确定边界样本 | 第32-34页 |
| ·相对边界距离提取支持向量 | 第34-37页 |
| ·两步筛选支持向量(2s-PSV)算法分析 | 第37-42页 |
| ·2s-PSV算法复杂度分析 | 第37-40页 |
| ·2s-PSV算法性能测试及结果分析 | 第40-42页 |
| ·本章小结 | 第42-43页 |
| 第四章 基于2s-PSV算法的支持向量机 | 第43-54页 |
| ·引言 | 第43页 |
| ·IS-SVM核函数构造 | 第43-48页 |
| ·核函数的基本性质 | 第43-44页 |
| ·全局核函数和局部核函数 | 第44-46页 |
| ·常见核函数的构造方法 | 第46-47页 |
| ·高斯-线性核函数 | 第47-48页 |
| ·IS-SVM核参数选择方法 | 第48-50页 |
| ·常见的SVM参数选择方法 | 第48-49页 |
| ·高斯-线性函数中参数的选择方法 | 第49-50页 |
| ·基于2s-PSV算法的IS-SVM | 第50-53页 |
| ·IS-SVM算法步骤 | 第50-51页 |
| ·IS-SVM算法仿真试验 | 第51-53页 |
| ·本章小结 | 第53-54页 |
| 第五章 IS-SVM在锌冶炼净化过程浓度软测量中的应用 | 第54-66页 |
| ·引言 | 第54页 |
| ·锌湿法冶炼工艺 | 第54-57页 |
| ·三段逆锑盐工艺简介 | 第54-56页 |
| ·净化过程的影响因素 | 第56-57页 |
| ·基于IS-SVM的锌冶炼净化过程镉离子浓度软测量模型 | 第57-61页 |
| ·现场工业现状分析 | 第57-58页 |
| ·数据采集及预处理 | 第58-59页 |
| ·软测量建模 | 第59-61页 |
| ·模型仿真研究及结果分析 | 第61-65页 |
| ·本章小结 | 第65-66页 |
| 第六章 总结与展望 | 第66-68页 |
| ·工作总结 | 第66页 |
| ·工作展望 | 第66-68页 |
| 参考文献 | 第68-73页 |
| 致谢 | 第73-74页 |
| 攻读硕士学位期间主要的研究成果 | 第74页 |