| 摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 1 绪论 | 第8-12页 |
| ·基于动态神经网络的支持向量机的研究现状 | 第8-9页 |
| ·支持向量机的发展 | 第8页 |
| ·基于神经网络的支持向量机实现 | 第8-9页 |
| ·本论文的主要研究内容 | 第9-10页 |
| ·本论文的章节安排 | 第10-12页 |
| 2 支持向量机的主要内容 | 第12-18页 |
| ·支持向量机 | 第12-14页 |
| ·广义最优分类面 | 第12-13页 |
| ·支持向量机 | 第13-14页 |
| ·最小二乘支持向量机 | 第14-17页 |
| ·最小二乘支持向量机分类算法 | 第15-16页 |
| ·最小二乘支持向量机回归算法 | 第16-17页 |
| ·本章小结 | 第17-18页 |
| 3 基于神经网络的标准支持向量机实现 | 第18-28页 |
| ·支持向量机学习网络的动态方程 | 第18-20页 |
| ·支持向量机学习神经网络的实现 | 第20-21页 |
| ·支持向量机学习神经网络的稳定性分析 | 第21-23页 |
| ·仿真实验 | 第23-27页 |
| ·本章小结 | 第27-28页 |
| 4 基于神经网络的最小二乘支持向量机 | 第28-40页 |
| ·LS-SVM分类学习神经网络 | 第28-35页 |
| ·LS-SVM分类学习神经网络动态方程及其实现 | 第28-30页 |
| ·LS-SVM分类学习神经网络稳定性分析 | 第30-31页 |
| ·仿真实验 | 第31-35页 |
| ·LS-SVM回归学习神经网络 | 第35-38页 |
| ·LS-SVM回归学习神经网络动态方程及其实现 | 第35-36页 |
| ·LS-SVM回归学习神经网络稳定性分析 | 第36-38页 |
| ·本章小结 | 第38-40页 |
| 5 支持向量机学习神经网络的FPGA实现 | 第40-64页 |
| ·SVM学习网络的FPGA实现方法 | 第40-47页 |
| ·SVM学习网络的FPGA实现结果 | 第47-50页 |
| ·LS-SVM学习神经网络的FPGA实现 | 第50-61页 |
| ·LS-SVM分类神经网络的FPGA实现方法 | 第51-52页 |
| ·LS-SVM回归神经网络的FPGA实现方法 | 第52-53页 |
| ·LS-SVM分类和回归神经网络的FPGA实现结果 | 第53-61页 |
| ·FPGA设计过程中需要注意的问题 | 第61-63页 |
| ·数据处理问题 | 第61-62页 |
| ·数据采样和时序问题 | 第62-63页 |
| ·本章小结 | 第63-64页 |
| 6 总结与展望 | 第64-66页 |
| 致谢 | 第66-68页 |
| 参考文献 | 第68-71页 |