| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 研究背景及意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 研究内容和组织结构 | 第13-16页 |
| 1.3.1 本文的研究内容 | 第13页 |
| 1.3.2 本文的组织结构 | 第13-16页 |
| 第2章 相关向量回归理论及增量学习思想 | 第16-31页 |
| 2.1 前言 | 第16页 |
| 2.2 统计学习理论与支持向量机 | 第16-21页 |
| 2.2.1 机器学习的基本思想 | 第17-18页 |
| 2.2.2 统计学习理论 | 第18-20页 |
| 2.2.3 支持向量机 | 第20-21页 |
| 2.3 贝叶斯学习理论与相关向量机 | 第21-22页 |
| 2.3.1 贝叶斯学习理论 | 第21-22页 |
| 2.3.2 相关向量机 | 第22页 |
| 2.4 相关向量回归基本理论 | 第22-28页 |
| 2.4.1 RVR模型描述 | 第23-25页 |
| 2.4.2 贝叶斯推理 | 第25-26页 |
| 2.4.3 RVM超参数优化 | 第26-27页 |
| 2.4.4 RVM模型预测 | 第27-28页 |
| 2.5 增量学习 | 第28-30页 |
| 2.6 本章小结 | 第30-31页 |
| 第3章 L增量相关向量回归算法 | 第31-37页 |
| 3.1 前言 | 第31页 |
| 3.2 带有淘汰策略的IRVR算法 | 第31-33页 |
| 3.2.1 问题定义 | 第31-32页 |
| 3.2.2 样本淘汰策略 | 第32页 |
| 3.2.3 L增量相关向量回归算法 | 第32-33页 |
| 3.3 仿真实验 | 第33-36页 |
| 3.3.1 实验数据与实验方法 | 第33-34页 |
| 3.3.2 实验结果与分析 | 第34-36页 |
| 3.4 本章小结 | 第36-37页 |
| 第4章 基于样本特性的相关向量回归增量学习算法 | 第37-47页 |
| 4.1 前言 | 第37页 |
| 4.2 局部密度因子 | 第37-38页 |
| 4.3 误差因子 | 第38-39页 |
| 4.4 基于样本特性的相关向量回归增量学习算法 | 第39-42页 |
| 4.4.1 SCBIRVR算法提出 | 第39页 |
| 4.4.2 SCBIRVR算法定义 | 第39-41页 |
| 4.4.3 SCBIRVR算法描述 | 第41-42页 |
| 4.5 实验与分析 | 第42-46页 |
| 4.5.1 仿真数据集 | 第42-45页 |
| 4.5.2 UCI数据集 | 第45-46页 |
| 4.6 本章小结 | 第46-47页 |
| 第5章 基于光纤光栅的高铁安全SCBIRVR预测模型 | 第47-61页 |
| 5.1 前言 | 第47页 |
| 5.2 基于光纤光栅的高铁安全监测系统 | 第47-55页 |
| 5.2.1 光纤光栅传感系统 | 第48-52页 |
| 5.2.2 系统结构与实现 | 第52-55页 |
| 5.3 温度传感数据SCBIRVR预测模型 | 第55-56页 |
| 5.4 实验结果与分析 | 第56-60页 |
| 5.5 本章小结 | 第60-61页 |
| 第6章 总结与展望 | 第61-63页 |
| 6.1 总结 | 第61-62页 |
| 6.2 展望 | 第62-63页 |
| 致谢 | 第63-64页 |
| 参考文献 | 第64-68页 |
| 在读期间取得的学术成果 | 第68页 |
| 在读期间参与的基金和项目 | 第68页 |