支持向量机回归算法与应用研究
| 摘要 | 第1-6页 |
| Abstract | 第6-15页 |
| 第一章 绪论 | 第15-33页 |
| ·理论背景 | 第15-19页 |
| ·机器学习的基本问题 | 第16-17页 |
| ·复杂性与推广能力 | 第17-18页 |
| ·结构风险最小化 | 第18-19页 |
| ·支持向量机基本原理 | 第19-23页 |
| ·支持向量 | 第22-23页 |
| ·核函数 | 第23页 |
| ·支持向量机算法综述 | 第23-28页 |
| ·各种训练算法介绍及比较 | 第23-27页 |
| ·如何提高测试速度 | 第27页 |
| ·模型的的选择 | 第27-28页 |
| ·支持向量机应用研究综述 | 第28-30页 |
| ·模式识别 | 第29页 |
| ·回归建模 | 第29-30页 |
| ·本文的主要内容 | 第30-33页 |
| 第二章 支持向量机回归与算法实现 | 第33-44页 |
| ·前言 | 第33页 |
| ·支持向量机回归原理 | 第33-36页 |
| ·核函数 | 第35-36页 |
| ·损失函数 | 第36页 |
| ·支持向量机回归算法的实现 | 第36-43页 |
| ·SMO算法 | 第37-40页 |
| ·LS-SVMR算法 | 第40-43页 |
| ·本章小结 | 第43-44页 |
| 第三章 一种新的支持向量机回归在线训练算法 | 第44-53页 |
| ·引言 | 第44页 |
| ·支持向量机回归问题的表述 | 第44-46页 |
| ·OSVR的训练算法 | 第46-49页 |
| ·OSVR算法原理 | 第46-47页 |
| ·OSVR的收敛性证明 | 第47-49页 |
| ·算法比较结果与讨论 | 第49-51页 |
| ·本章结论与小结 | 第51-53页 |
| 第四章 支持向量机在工业过程软测量中的应用 | 第53-61页 |
| ·引言 | 第53-54页 |
| ·基于支持向量机的纸浆Kappa值软测量模型 | 第54-56页 |
| ·国内外的纸浆Kappa值软测量研究情况 | 第54-55页 |
| ·样本数据的构建 | 第55页 |
| ·支持向量机的学习训练 | 第55-56页 |
| ·结果分析与讨论 | 第56-60页 |
| ·预测结果与模型比较 | 第56-57页 |
| ·模型自由参数的影响 | 第57-60页 |
| ·本章结论与小结 | 第60-61页 |
| 第五章 基于支持向量机回归的非线性预测控制 | 第61-71页 |
| ·引言 | 第61-62页 |
| ·LS-SVM模型算法预测控制 | 第62-65页 |
| ·控制结构 | 第62页 |
| ·LS-SVM辨识器的设计 | 第62-64页 |
| ·参考轨迹 | 第64-65页 |
| ·滚动优化计算 | 第65页 |
| ·连续搅拌槽反应器(CSTR)的仿真 | 第65-69页 |
| ·本章结论与小结 | 第69-71页 |
| 第六章 基于支持向量机回归的自抗扰控制器 | 第71-88页 |
| ·引言 | 第71-72页 |
| ·二阶SVM-ADRC结构原理 | 第72-75页 |
| ·标准ADRC | 第72-73页 |
| ·SVM-ADRC | 第73-75页 |
| ·ADRC参数自整定 | 第75-77页 |
| ·“时间尺度”模型的辨识 | 第75-76页 |
| ·遗传算法 | 第76-77页 |
| ·仿真实例 | 第77-87页 |
| ·pH中和过程的仿真 | 第78-85页 |
| ·连续搅拌槽反应器(CSTR)的仿真 | 第85-87页 |
| ·本章结论与小结 | 第87-88页 |
| 第七章 基于支持向量机的逆模PID复合控制研究 | 第88-97页 |
| ·引言 | 第88-89页 |
| ·逆系统的支持向量机模型实现 | 第89-91页 |
| ·最小二乘支持向量机回归模型 | 第89-90页 |
| ·逆系统的最小二乘支持向量机模型实现 | 第90-91页 |
| ·SVM逆模／PID复合控制 | 第91-92页 |
| ·CSTR的LS-SVM逆模型与逆模控制 | 第92-96页 |
| ·CSTR的支持向量机逆模型 | 第92-93页 |
| ·CSTR的支持向量机直接逆模控制 | 第93-94页 |
| ·CSTR的SVM逆模／PID复合控制 | 第94-96页 |
| ·本章结论与小结 | 第96-97页 |
| 结论 | 第97-100页 |
| 参考文献 | 第100-108页 |
| 攻读博士期间发表的论文 | 第108-110页 |
| 致谢 | 第110页 |
